dvlt.cu est un moteur d'inférence CUDA/C++ minimaliste (5MB) pour le modèle DVLT 3D de NVIDIA. Zéro dépendance Python/PyTorch, utilise cuBLASLt et cuTLASS, charge 117M paramètres en bf16. Sortie visualisable en HTML (nuages de points + poses caméra).
KVarN, une technique de quantification KV cache, égale la précision des quants d'un bit supérieur : 6-bit KVarN rivalise avec q8_0, 4-bit avec q5_0. Benchmarks sur Qwen 27B 64k context montrent gains VRAM significatifs. Implémentation dans BeeLlama v0.3.2 (fork llama.cpp). Traitement prompt plus lent actuellement.
Benchmark de Gemma 4 QAT Q4_0 (quantization-aware training) sur APU Strix Halo via llama.cpp Vulkan/RADV. Modèles testés : 12B (6.50 GiB), 26B-A4B (13.45 GiB), 31B (16.44 GiB). QAT préserve mieux le comportement du modèle original qu'une quantification post-entraînement. Têtes assistant QAT converties en GGUF pour meilleure acceptation.
IBM lance mcp-context-forge, une passerelle IA et registre proxy pour MCP, A2A et APIs REST/gRPC. Unifie les endpoints avec découverte centralisée, garde-fous et gestion. Optimise l'appel d'agents et d'outils, supporte les plugins.
Comparaison pratique entre Claude Opus 4.7 et des modèles locaux (OpenCode) pour un agent de codage. Test sur une suite Playwright E2E (Laravel 12 + Livewire) : Claude génère 203 tests sans compaction de contexte (1M tokens), l'agent local plafonne à 140 tests avec 4 compactions sur 24GB RTX 4090. Conclusion : viable mais pas quotidien ; la qualité du plan prédit celle de l'implémentation.
Un modèle vocal open-source écoute en continu et décide toutes les 0.4 secondes s'il doit parler ou rester silencieux. Contrairement à GPT-4o ou Qwen3.5-Omni, Audio Interaction traite transcription, traduction et chat en flux unique, détectant bruits ambiants (toux). Code, poids et données d'entraînement disponibles sur GitHub sous licence Apache 2.0.
Alibaba lance Qwen3.7-Plus, un modèle multimodal capable d'opérer autonomement sur interface graphique et générer du code. Dans une démonstration, l'agent a développé une app d'apprentissage de vocabulaire en 11 heures, produisant 10 000+ lignes de code sur 1 000 appels. Modèle propriétaire, prix inférieur aux modèles occidentaux.
OPT* est une famille de tâches d'optimisation pour entraîner le raisonnement pas-à-pas des LLM sur des espaces de recherche croissants. Les auteurs proposent deux régimes : optimisation en ligne guidée par solveur (utilisant un oracle de valeur) et RL hors ligne basé sur la recherche. L'entraînement améliore le raisonnement d'optimisation itérative.
GuardNet est un système de garde-fou basé sur un ensemble de réseaux de neurones peu profonds (BiLSTMs, 47M paramètres) pour détecter les attaques par injection de prompt et jailbreak sur LLMs. L'approche privilégie la diversité des exemples et le calibrage des seuils plutôt que la taille du modèle. Performance : AUROC 0.747 sur dataset aveugle (n=200), F1 0.92 sur benchmark propriétaire, latence ~50ms CPU.
SciVisAgentSkills propose une collection de compétences réutilisables pour augmenter les agents de codage (Codex, Claude Code) dans l'analyse et la visualisation de données scientifiques. Évalué sur 108 tâches multi-étapes avec SciVisAgentBench, le framework améliore les performances en encodant l'expertise spécifique aux outils ParaView, napari, VMD et TTK.
SentinelBench est un benchmark open-source pour évaluer les agents IA sur des tâches de monitoring long terme (minutes à heures). Il contient 100 tâches dans 10 environnements web synthétiques (email, calendriers, finance, réseaux professionnels). Le benchmark mesure le temps de réaction, l'utilisation de ressources et la complétion de tâches, révélant le compromis entre réactivité et coût.
EpiEvolve est un agent auto-évolutif qui adapte un modèle LLM de prévision épidémiologique en streaming sans modifier ses poids. Via mémoire épisodique hiérarchique et réflexion sur les erreurs, il atteint 0.629 de précision sur les hospitalisations COVID-19 (vs 0.561 pour le modèle statique), réduisant le délai de récupération après changement de régime de 5 à 2 semaines.
Framework IA combinant deep learning pour prédiction MOAKS (score OA du genou) et modélisation statistique longitudinale. Sur 2,175 genoux (Osteoarthritis Initiative), amélioration MCC : BML 0.69→0.91, cartilage 0.45→0.80, extrusion méniscale 0.59→0.89. Deux trajectoires de douleur identifiées ; lésions osseuses, perte cartilagineuse et extrusion méniscale associées à progression rapide (OR 1.62-2.50).
Nouvelle méthode pour détecter le « reward hacking » implicite dans les LLM sans modèle de récompense. La métrique « self-commitment latency » mesure à quel point tôt un contexte de raisonnement s'engage vers la réponse finale du modèle. Test sur Qwen2.5-3B avec GSM8K : AUROC 0.878 pour détecter les contextes avec raccourcis de prompt.
Cadre Query Retrieve Conclude pour interpréter les mèmes multimodaux émergents via acquisition de connaissances open-web. Identifie les lacunes de savoir, récupère des preuves externes, synthétise des connaissances contextuelles. Benchmark curé 2024-2026 avec annotations. Améliore compréhension et détection sur trois datasets.
TimeClaw est un framework d'agents IA généralistes pour l'analyse de séries temporelles contextualisées. Il équipe les agents LLM de outils temporels exécutables, d'une évolution des capacités basée sur l'expérience et d'une mémoire multimodale épisodique. Évalué sur des benchmarks couvrant énergie, finance, météo et trafic.
Article académique proposant un cadre d'assurance pour les systèmes IA agentiques. Identifie les risques spécifiques (hallucinations, injections de prompts, erreurs décisionnelles autonomes, dérive de modèle) et développe une architecture d'assurance multi-couches intégrant cyber, responsabilité civile produit et couvertures IA dédiées, inspirée de l'évolution de l'assurance cyber.
Nouvelle approche de compression sans perte pour données scientifiques massives. Les auteurs proposent LBRC et NGLR, deux codeurs résiduels qui améliorent les méthodes GAE existantes de 30-60% (LBRC) et 10-40% supplémentaires (NGLR) sur E3SM, JHTDB, ERA5 avec précision 10^-6 à 10^-4 NRMSE. NGLR ajoute un prédicteur neuronal causal pour réduire l'entropie.
Cadre de prédiction fonctionnelle avec quantification d'incertitude pour évaluer la réutilisabilité de produits retournés en usine circulaire. Combine encodeur convolutif + LSTM pour prédire 9 variables fonctionnelles (moyenne/variance gaussienne) et analyse de fatigue matériau par éléments finis. Précision 96,52% sur tests retenus.
GITCO optimise à l'inférence le contexte d'entrée des modèles fondamentaux de séries temporelles (TSFMs) pour réduire la dégradation causée par les patches anomaliques. Le framework à trois composants (Gate, Router, Critic) supprime les patches nuisibles sans mise à jour de poids, réalisant -1.95% MASE sur TimesFM 2.5 sur 53 datasets GIFT-Eval.
Simon Willison a publié micropython-wasm, un package alpha pour exécuter du code Python en sandbox via MicroPython et WebAssembly. L'outil sécurise l'exécution de plugins dans Datasette, LLM et sqlite-utils en isolant le code malveillant ou bugué sans accès aux fichiers, réseau ou ressources système.
Hugging Face déploie une économie multi-agent sur un modèle 3B (3 milliards de paramètres). Le système « Thousand Token Wood » permet à des agents autonomes d'interagir, négocier et échanger des ressources dans un environnement simulé avec contraintes de tokens limitées.
Benchmark QAT (Quantization-Aware Training) de Gemma 4 sur AMD 7900 XTX : le modèle 12B QAT est 45% plus rapide que Q8_0 (176s vs 323s), économise 5.7GB VRAM, qualité identique. Les 26B et 31B QAT offrent aussi des gains de vitesse (1.3x-1.5x) sans dégradation de qualité.
Utilisateur optimise Qwen3.6-35B-A3B (MoE 35B/3B actifs) sur RTX 4060 8GB. Configuration finale : --no-mmap critique (11→43 tok/s), ≥1.5GB VRAM libre obligatoire, CPU bottleneck dominant. Speculative decoding +26% (contradictoire vs benchmarks communautaires). Architecture hybride (10 couches attention + 40 GDN) explique résultats contre-intuitifs.
GenBench est une app iOS gratuite pour télécharger, exécuter et benchmarker des modèles GGUF sur iPhone/iPad via llama.cpp + Metal. Mesure tok/s, latence first-token, mémoire pic. Leaderboard global. Supporte texte et vision (MiniCPM-V). Exemples : SmolLM2 1.7B ~35 tok/s sur iPhone 16 Pro, Qwen2.5 3B ~20 tok/s sur iPhone 15 Pro.
Utilisateur llama.cpp démontre que l'offload KV cache vers RAM (option -nkvo) peut être avantageux. Sur RTX 5060 Ti 16GB + 32GB DDR5, avec Qwen 3.6 27B (IQ4_XS) : offload permet contexte 65k en f16 natif (19 tps pic) vs quantization q4_0 + 58 couches GPU (23 tps). Contexte 128k possible avec 63 couches GPU, vitesse stable. Trade-off performance acceptable pour flexibilité.
Granite Vision 4.1 4B est un modèle vision-langage compact (4B paramètres) spécialisé dans l'extraction de documents structurés : graphiques, tableaux et paires clé-valeur. Intégration dans llama.cpp via pull request #23545.
Unsloth a publié des poids GGUF MTP pour Gemma 4 en trois tailles : 31B, 26B-A4B et 12B, avec quantifications Q8, F16 et BF16 disponibles sur Hugging Face.
Implémentation de KVarN (quantification KV-cache de Huawei) dans llama.cpp fork. Compression 3-5× du cache KV avec amélioration de vitesse. Benchmarks KLD montrent qualité q5 à 4-bit, q4 à 3.5-bit. Disponible en BeeLlama.cpp v0.3.2 avec flags --cache-type-k/v kvarn4.
Microsoft lance 7 modèles MAI : MAI-Thinking-1 (1T params, 256K contexte) rivalise avec les meilleurs modèles de sa classe en ingénierie logicielle ; MAI-Code-1-Flash (5B params actifs) intégré à GitHub Copilot et VS Code ; MAI-Image-2.5 pour texte-vers-image et édition ; MAI-Transcribe-1.5 (SOTA, 5x plus rapide) ; MAI-Voice-2 pour synthèse vocale. Pas de poids ouverts annoncés, licences propriétaires.
SupraLabs publie Supra-50M-Reasoning, version raisonnement du modèle Supra-50M-Instruct. Fine-tuné sur 500 échantillons synthétiques générés par Qwen3 1.7B pendant 6 epochs, il produit une chaîne de pensée avant chaque réponse. Modèle et dataset open-source disponibles.
Lassie lève 35 millions de dollars auprès d'Andreessen Horowitz pour accélérer le développement de ses agents IA destinés à automatiser les opérations des PME.
Benchmark utilisateur du RTX Pro 4500 Blackwell 32GB vs RTX 5060 Ti 16GB. Le Pro 4500 offre ~2x plus de performance sur modèles denses, 3-6x sur traitement de prompt MoE, 1.8-2.6x sur génération de tokens. Avantage clé : modèles entiers en VRAM sans quantification KV.
Outil de quantification GGUF open-source (MIT) pour créer des modèles NVFP4 et MXFP6. Utilise imatrix et logits KLD pour évaluer et combiner plusieurs méthodes de quantification par couche. Démontre de meilleures performances que ModelOpt sur Qwen 27B. Inclut rapports détaillés et validation reproductible.
AURA est un système d'agents LLM situés qui détecte les besoins implicites au-delà de la requête littérale. Entre la perception de scène et l'utilisation d'outils, il génère un IntentFrame structuré avec un score d'écart pour contrôler le budget de sondage. Sur un benchmark de 100 requêtes, AURA améliore la couverture des besoins implicites de +0.07 (p < 10^-6) par rapport à ReAct.
GOTabPFN introduit une méthode de compression de features pour les modèles tabulaires fondamentaux en régimes haute-dimensionnelle/faible-échantillon. Graph-guided Ordering with Local Refinement (GO-LR) ordonne les features, puis Neuro-Inspired Subunit Compression les agrège en meta-features. Résultats : stabilité et précision améliorées sous contrainte de tokens sur benchmarks tabulaires.
Étude sur l'optimisation de modèles LLM pour le diagnostic cardiaque via GRPO et récompenses basées sur rubrique. Une approche Variance-Aware améliore Qwen3-14B de 0.362 à 0.502 en précision et 0.532 à 0.668 en F1 sur HealthBench, rivalisant avec GPT-OSS-120B.
InfoShield minimise l'information mutuelle entre représentations vocales et attributs sensibles (genre, âge) pour le dépistage de dépression. TimeAwareMINE avec attention cross-modale réduit l'inférence de genre de 92,6% à 55,5% et d'âge de 55,7% à 30,3%, avec F1=0,784 sur Androids Corpus.
Framework d'interprétabilité pour l'évaluation automatique de transcriptions pédagogiques basée sur des rubriques. Combine attributions SHAP avec rationales générées par LLM. Sur 6k segments annotés : modèles fine-tunés surpassent les LLMs en précision mais compressent les scores ; SHAP identifie les phrases déterminantes avec transfert robuste entre architectures, contrairement aux rationales LLM.
Un framework applique des modèles fondationnels tabulaires à des séries temporelles industrielles pour la prédiction de durée de vie utile restante et le diagnostic. Convertissant les signaux en lignes tabulaires, ces modèles surpassent les transformers et arbres boostés sur des tâches PHM hétérogènes avec efficacité données élevée.