Un ordonnancement plus efficace pour les grappes de GPU
Un billet du blog de Hugging Face aborde les méthodes d’ordonnancement des tâches sur les grappes de GPU.
Hugging Face
17 articlesLe modèle qui n’existait pas, alors vous l’avez créé vous-même
Un billet du blog de Hugging Face s’intéresse à la création de son propre modèle d’IA lorsqu’aucun ne répond au besoin.
d1, des modèles de décision multimodaux et ouverts pour l’edge
Un billet publié sur Hugging Face présente d1, des modèles de décision multimodaux et ouverts conçus pour fonctionner sur des appareils en périphérie.
Présentation de Falcon ASR
Falcon ASR, un modèle de reconnaissance vocale, est présenté sur le blog de Hugging Face.
Une famille de modèles, deux résultats de niveau or : Nemotron affiné pour l’IOI et l’IMO
Un billet publié sur Hugging Face décrit l’affinage des modèles Nemotron de NVIDIA, qui ont atteint un niveau médaille d’or aux Olympiades internationales d’informatique et de mathématiques.
Kolibri d'Aleph Alpha : ce que la licence Apache 2.0 garantit
Le 3 octobre, l’entreprise allemande Aleph Alpha a mis en ligne Kolibri 1, un modèle de langage à mélange d’experts dont les poids complets sont téléchargeables sur Hugging Face. ActuIA détaille ce que permet sa licence Apache 2.0.
L’agent affirmait avoir terminé. La base de données disait le contraire
Un billet publié sur Hugging Face s’intéresse aux cas où un agent IA déclare une tâche terminée alors que la base de données montre le contraire.
AutoSynthData : générer des données d’entraînement pour les agents d’entreprise
Un billet publié sur Hugging Face présente AutoSynthData, une méthode pour générer des données d’entraînement destinées aux agents IA d’entreprise.
Open TTS Leaderboard : un classement pour évaluer la synthèse vocale multilingue et le clonage de voix
Hugging Face lance un classement ouvert pour évaluer à grande échelle les modèles de synthèse vocale multilingue et de clonage de voix.
Vérifier la source, pas seulement le fait : une vérification attentive aux sources pour les agents MCP
Un billet publié sur Hugging Face décrit une méthode de vérification pour les agents MCP qui contrôle l’origine des informations, et pas seulement leur exactitude.
Holo4, un modèle pour des agents généralistes capables d’utiliser un ordinateur
Un billet publié sur Hugging Face présente Holo4, conçu pour des agents généralistes capables de piloter un ordinateur.
Les environnements d’apprentissage par renforcement arrivent sur le Hub
Hugging Face accueille désormais des environnements d’apprentissage par renforcement sur son Hub.
Comment l’AISI britannique et EvalEval rendent les résultats de benchmarks reproductibles
Un billet de Hugging Face présente les travaux de l’AI Security Institute britannique et de l’initiative EvalEval pour rendre reproductibles les résultats des benchmarks d’IA.
Transformers prend désormais en charge les modèles quantifiés de llama.cpp
La bibliothèque Transformers de Hugging Face peut désormais exécuter des modèles quantifiés au format de llama.cpp.
Jun Kim, créateur d’oMLX, rejoint Hugging Face pour soutenir la communauté MLX
Jun Kim, créateur et mainteneur d’oMLX, rejoint Hugging Face. Il se consacrera au soutien de la communauté autour de MLX, le framework d’apprentissage automatique d’Apple.
tokenizers v1 : encodage, décodage et passage à l’échelle mesurés
Hugging Face publie la version 1 de sa bibliothèque tokenizers, avec des mesures de performance sur l’encodage, le décodage et la montée en charge.
Votre agent a réussi la tâche. Le refera-t-il ?
Un billet du blog de Hugging Face s’interroge sur la fiabilité des agents IA : réussir une tâche une fois ne garantit pas de la réussir à nouveau.