Hugging Face évalue l’optimisation des benchmarks ASR
Hugging Face introduit une méthode d’évaluation privée pour les modèles de reconnaissance vocale automatique (ASR) afin de mesurer et contrer l’optimisation excessive des benchmarks publics.
Hugging Face introduit une méthode d’évaluation privée pour les modèles de reconnaissance vocale automatique (ASR) afin de mesurer et contrer l’optimisation excessive des benchmarks publics.
Les modèles LFM2.5-DSpark de LiquidAI permettent une inférence jusqu’à 3,2 fois plus rapide, offrant une efficacité accrue pour les grands modèles de langage.
Simon Willison, expert en développement, explore la pertinence du nombre de lignes de code comme indicateur de productivité pour les agents de codage basés sur l’IA.
Liquid AI a mis à disposition une nouvelle série de modèles, les LFM2.5 Q4_0, optimisés pour l’efficacité grâce à une technique de distillation consciente de la quantification.
IBM Research et HuggingFace explorent la question de la mémoire nécessaire aux agents IA, un enjeu crucial pour la performance et la scalabilité des systèmes d’intelligence artificielle.
La bibliothèque Sentence Transformers prend désormais en charge les modèles d’intégration multi-vecteurs, offrant une représentation plus nuancée des phrases.
Dharma AI a démontré qu’une simple réorganisation de l’ordonnancement des tâches peut augmenter l’utilisation des GPU de 33 points de pourcentage.
ChatGPT étend sa mémoire au-delà des conversations, intégrant désormais les actions des utilisateurs sur d’autres applications et sites web via la fonction « Computer History ».
Simon Willison a créé CORS Chat, un outil web pour tester les points de terminaison de chat compatibles OpenAI, facilitant l’évaluation de modèles comme Qwen 3.8 27B.
HuggingFace a partagé un rapport sur l’état des modèles d’IA ouverts, soulignant leur croissance, leur diversification et les défis persistants pour l’été 2026.