Hugging Face Accelerate ajoute le support natif de FSDP (Fully Sharded Data Parallel) de PyTorch, offrant une alternative à DeepSpeed pour l'entraînement distribué. La mise à jour permet aux utilisateurs de basculer facilement entre DeepSpeed et FSDP selon leurs besoins.
OpenAI détaille le fonctionnement de Voice Engine, son modèle de synthèse vocale, et présente ses recherches en sécurité. L'article explore la technologie sous-jacente et les mesures de protection contre les usages malveillants.
Hugging Face lance un conteneur d'embeddings optimisé pour Amazon SageMaker, facilitant le déploiement de modèles d'embeddings en production. L'outil intègre les modèles Hugging Face avec l'infrastructure AWS pour simplifier la vectorisation et la recherche sémantique.
Hugging Face lance un leaderboard et une arène pour évaluer les modèles de génération d'images texte-vers-image. La plateforme permet de comparer les performances et la qualité des différents modèles via des benchmarks standardisés et des évaluations communautaires.
The Atlantic s'associe à OpenAI pour devenir source premium dans ChatGPT. Les articles de The Atlantic seront découvrables dans les produits OpenAI et influenceront la présentation des actualités en temps réel.
Hugging Face publie un guide complet sur l'entraînement et le fine-tuning de modèles d'embeddings avec Sentence Transformers. La documentation couvre les techniques d'optimisation, les datasets recommandés et les bonnes pratiques pour adapter les modèles à des cas d'usage spécifiques.
Hugging Face lance Spaces Dev Mode, un environnement de développement intégré pour créer et tester des applications IA directement dans le navigateur. La fonctionnalité offre un workflow simplifié avec hot-reload et déploiement instantané.
Hugging Face présente une technique de quantification du cache clé-valeur pour étendre la longueur de génération des modèles de langage. La méthode réduit l'empreinte mémoire du KV cache, permettant des séquences plus longues sans augmenter les ressources matérielles requises.
Hugging Face lance un leaderboard open-source dédié aux modèles de langage arabes. Cet outil évalue les performances sur des benchmarks spécifiques à la langue arabe, facilitant la comparaison et l'amélioration des LLM pour cette langue.
OpenAI introduit une technologie pour identifier les contenus générés par ses outils et rejoint le comité directeur de la Coalition for Content Provenance and Authenticity pour promouvoir des standards industriels.
Hugging Face intègre le classement de performance LLM d'Artificial Analysis. Cet outil évalue les modèles sur latence, coût et qualité, offrant une comparaison transparente des performances en production.
Hugging Face Inference Endpoints intègre ASR (reconnaissance vocale), diarization (identification des locuteurs) et speculative decoding pour accélérer l'inférence. Ces capacités permettent le traitement audio complet avec latence réduite via une API unifiée.
Les classements IA traditionnels deviennent obsolètes face à la complexité coût-performance. L'article propose de remplacer les leaderboards par des courbes de Pareto pour évaluer les agents IA, illustrant comment $2,000 de dépenses révèlent les vrais compromis entre efficacité et ressources.
OpenAI présente une hiérarchie d'instructions pour entraîner les LLM à prioriser les instructions privilégiées et résister aux injections de prompts et jailbreaks. La méthode permet aux modèles de distinguer les directives système des entrées utilisateur malveillantes.
Hugging Face et Intel optimisent SetFit pour l'inférence ultra-rapide sur processeurs Xeon via Optimum Intel. Les benchmarks montrent des accélérations significatives en latence et throughput sur CPU sans perte de précision.
Hugging Face présente Pollen-Vision, une interface unifiée pour les modèles de vision zero-shot en robotique. L'outil intègre plusieurs modèles de vision (CLIP, DINOv2, SAM) dans un framework commun, permettant aux robots d'effectuer des tâches de perception sans entraînement spécifique.
Hugging Face et Intel optimisent les embeddings pour CPU via Optimum Intel et fastRAG. La solution réduit la latence et la consommation mémoire des modèles d'embedding sur processeurs, améliorant les performances RAG sans GPU.
Hugging Face présente les modèles d'embedding Matryoshka, qui permettent de réduire dynamiquement la dimensionnalité des vecteurs sans réentraînement. Cette approche offre flexibilité et efficacité pour les applications RAG et recherche vectorielle.
Hugging Face lance l'Open Ko-LLM Leaderboard, un classement dédié à l'évaluation des modèles de langage coréens. Cette initiative établit un écosystème d'évaluation standardisé pour les LLM en langue coréenne, permettant de comparer les performances des modèles sur des benchmarks spécifiques au contexte linguistique coréen.
OpenAI a identifié et désactivé des comptes utilisés par des acteurs menaçants affiliés à l'État pour des opérations de désinformation, espionnage et développement de capacités malveillantes. L'entreprise publie des rapports détaillés sur ces campagnes et renforce ses mesures de détection.
OpenAI développe un cadre d'évaluation des risques biologiques liés aux LLM. Une étude avec experts et étudiants en biologie montre que GPT-4 offre au maximum une amélioration légère de la précision en création de menaces biologiques, insuffisante pour être concluante.
Hugging Face lance un leaderboard dédié aux cas d'usage réels en entreprise. Il évalue les modèles sur des scénarios pratiques plutôt que sur des benchmarks académiques traditionnels, permettant aux organisations de comparer les performances dans leurs contextes spécifiques.
Hugging Face lance un leaderboard dédié à l'évaluation de la sécurité des LLM. Cet outil mesure la robustesse des modèles face aux attaques adversariales et aux jailbreaks, fournissant des benchmarks standardisés pour comparer les défenses de sécurité.
Hugging Face publie un guide pour fine-tuner W2V2-Bert, un modèle de reconnaissance vocale, sur des ressources limitées avec la bibliothèque Transformers. La méthode permet d'adapter le modèle à des langues ou domaines peu dotés en données d'entraînement.
Hugging Face optimise l'inférence de Stable Diffusion Turbo et SDXL Turbo via ONNX Runtime et Olive. Les techniques de quantification et compilation réduisent la latence et la consommation mémoire sur CPU et GPU.
Hugging Face et AMD annoncent une intégration native pour accélérer les LLM sur GPU AMD. Les modèles tournent directement sans optimisation manuelle, avec support des architectures RDNA et CDNA.
Hugging Face présente une méthode pour générer des images SDXL en 4 étapes via des LoRAs de Latent Consistency. Cette approche réduit drastiquement le temps d'inférence tout en maintenant la qualité visuelle, utilisant des adaptateurs légers plutôt que des modèles complets.
Hugging Face introduit les régions de stockage sur son Hub, permettant aux utilisateurs de choisir où leurs modèles et datasets sont hébergés géographiquement. Cette fonctionnalité améliore la latence, la conformité réglementaire et la souveraineté des données.
Hugging Face accélère l'inférence de Stable Diffusion XL via JAX sur Cloud TPU v5e. Optimisations de performance et réduction de latence démontrées sur l'infrastructure Google Cloud.
Hugging Face publie un guide pour affiner les modèles Stable Diffusion via DDPO (Diffusion DDPOTrainer) intégré à TRL. La méthode permet d'optimiser les modèles de génération d'images selon des récompenses personnalisées sans données d'entraînement supplémentaires.
OpenAI s'associe à Scale pour aider les entreprises à affiner ses modèles les plus avancés. Les clients d'OpenAI bénéficient de l'expertise en IA de Scale pour personnaliser les modèles.
Hugging Face optimise Bark, son modèle de synthèse vocale, via la librairie Transformers. Les améliorations incluent réduction de latence, compression de mémoire et meilleure qualité audio. Code et modèles optimisés disponibles sur le hub.
Hugging Face déploie Stable Diffusion XL sur Mac via Core ML avec quantification avancée. Le modèle tourne localement sans cloud, réduisant latence et coûts. Optimisation spécifique pour silicium Apple.
Hugging Face publie un guide pour affiner les modèles adaptateurs MMS (Massive Multilingual Speech) sur des langues peu dotées en ressources. La méthode réduit les besoins en données d'entraînement et en puissance de calcul tout en maintenant la qualité de la reconnaissance vocale.
OpenAI lance un programme de dix bourses de 100 000 $ pour financer des expériences de processus démocratiques déterminant les règles que les systèmes IA doivent suivre, dans le cadre légal.
Hugging Face présente InstructPix2Pix, une méthode d'instruction-tuning pour Stable Diffusion permettant de modifier des images via instructions textuelles. Le modèle apprend à appliquer des éditions spécifiques (changement de style, d'objet, de couleur) à partir d'une image source et d'une instruction en langage naturel.
Hugging Face et IBM s'associent pour intégrer les modèles open-source de Hugging Face dans watsonx.ai, la plateforme d'IA d'entreprise d'IBM. Cette collaboration permet aux développeurs d'accéder à des modèles de langage et de vision via une interface unifiée, avec support du fine-tuning et du déploiement en production.
Hugging Face optimise ses Transformers pour AWS Inferentia2, réduisant la latence et augmentant le débit d'inférence. Intégration native des modèles populaires (Llama, Mistral, Phi) avec support du quantization et du batching.
Hugging Face optimise l'inférence de Stable Diffusion sur processeurs Intel via quantification et optimisations bas niveau. Les benchmarks montrent des accélérations significatives sur architectures CPU modernes sans perte de qualité visuelle.
OpenAI, Georgetown et Stanford ont publié un rapport sur les risques de détournement des LLM pour des campagnes de désinformation. Étude collaborative (atelier octobre 2021, 30 experts) proposant un cadre d'analyse des menaces et des mesures d'atténuation.