Bans de couverture anthropique rejetés sur les modèles ouverts (2 minutes de lecture)
Anthropic a déclaré qu'elle n'avait pas prôné l'interdiction des modèles à poids ouvert et a soutenu que les rejets moins capables étaient un bien public. Elle a plutôt soutenu des contrôles plus stricts des puces, des mesures contre la distillation à l'échelle industrielle et des essais de sécurité obligatoires pour des modèles ouverts et fermés suffisamment capables.
|
Récupération des poids du modèle et rapport technique de Kimi K3 (2 minutes lire)
Moonshot a publié les poids du modèle pour Kimi K3, ainsi qu'un rapport technique. Kimi K3 est un modèle 2.8T de Mixture-of-Experts avec une compréhension visuelle native. Il a une fenêtre contextuelle de 1 million de jetons et une nouvelle architecture modèle qui lui donne 2,5x l'intelligence par unité de calcul. Aux côtés de Kimi K3, Moonshot ouvre une plus grande partie de la pile derrière elle – des noyaux d'attention à haute performance, une bibliothèque de communication du MoE et une infrastructure pour les environnements d'agents à l'échelle.
|
|
Plongées profondes et analyse |
Rapport d'OpenAI sur l'expansion de l'IA (6 minutes de lecture)
OpenAI a constaté que les travailleurs utilisaient de plus en plus ChatGPT pour des tâches traditionnellement associées à d'autres professions. L'analyse de 800 000 messages d'utilisateurs américains a permis d'identifier ce « task crossover » dans un pourcentage élevé de conversations spécifiques à l'occupation.
|
DeepsecBench : évaluer la performance du modèle en trouvant des vulnérabilités en cybersécurité (6 minutes de lecture)
DeepsecBench est un point de référence qui évalue dans quelle mesure différents modèles trouvent des vulnérabilités cybersécurité dans le code d'application. Le rapport comprend le rappel, la précision, le coût et le temps total pour chaque modèle et combine le rappel et la précision en un seul point de repère. DeepsecBench fonctionne sur une base de code open-source à un état de commit juste avant qu'un grand nombre de vulnérabilités soient corrigés. La construction de la référence est secrète pour que les modèles ne puissent pas s'entraîner contre elle.
|
22580: De GPT2 à Kimi3, expliqué (20 minutes de lecture)
Les gains de KimiK3 proviennent de plus d'une échelle : il combine l'attention constante du Delta de Kimi, la récupération périodique du softmax, des experts épars et un accès résiduel sélectif. Chaque étape architecturale améliore la façon dont la mémoire à capacité fixe stocke, oublie et récupère l'information tout en préservant une inférence efficace.
|
|
PorTAL (1 minute lire)
Ramp Labs dispose de PorTAL open-source, un cadre pour les représentations de tâches partagées et l'adaptation de LoRA multi-modèles. PorTAL apprend une tâche de base-agnostique latente et un alignement léger par base qui génère des poids LoRA ordinaires par couche. Une tâche peut être formée une fois, adaptée aux modèles de base surgelés supportés, et exportée comme un adaptateur Hugging Face PEFT standard.
|
Service de distillation Gemini (17 minutes lire)
Le service de distillation Gemini permet aux utilisateurs de former un modèle « étudiant » plus petit et plus efficace qui utilise les extrants et les modèles de raisonnement d'un modèle « enseignant » plus grand et plus capable. La distillation permet l'efficacité de la production tout en permettant aux modèles plus petits d'atteindre un niveau de raisonnement plus profond. Il est recommandé pour les applications à volume élevé, sensibles à la latence, les tâches de raisonnement complexes, et lorsqu'il y a des écarts de performance importants entre l'enseignant et les modèles étudiants. Le service de distillation ne prend actuellement en charge que gemini-3.1-pro comme modèle enseignant et gemini-2,5-flash comme modèle étudiant.
|
Comment nous avons construit et étalonné VR-1, notre modèle de raisonnement cyber frontière (6 minutes de lecture)
Cogent VR-1 peut enquêter de manière autonome sur les environnements, tester les hypothèses, franchir les frontières du système et exécuter des chaînes d'attaque. IntrusionBench est un point de référence pour mesurer si les cyberagents peuvent compléter des chaînes d'attaques d'entreprise réalistes à partir d'un accès de départ limité. Sur la configuration de la boîte noire d'IntrusionBench, VR-1 a réalisé plus d'un lifting 2x en pass@3 au-dessus de la plus forte frontière de base. VR-1 et IntrusionBench sont à la fois à un stade de prévisualisation précoce, donc les résultats sont préliminaires.
|
Cadre d'apprentissage pour le renforcement des agents moléculaires (Repo GitHub)
Molt est un cadre PyTorch-natif qui traite l'agent lui-même comme le programme et prend en charge les récompenses Python personnalisées, l'utilisation d'outils, les environnements multimodal et les juges LLM. Sa pile compacte combine Ray, vLLM, NVIDIA AutoModel, et FSDP2 à l'échelle de l'entraînement à des modèles de mélange d'experts de trillions de paramètres.
|
|
Les leaders de l'industrie s'unissent à l'Alliance Open Secure AI pour la sûreté et la sécurité de l'IA (6 minutes lire)
L'Open Secure AI Alliance, avec des leaders comme NVIDIA et Microsoft, vise à améliorer la sécurité de l'IA en utilisant les technologies open source pour remédier aux vulnérabilités. Cette initiative fournit aux défenseurs des outils de défense ouverts, améliorant la transparence et l'adaptabilité tout en évitant la dépendance à l'égard des systèmes fermés. L'alliance encourage les décideurs à considérer les modèles et outils ouverts comme des atouts dans la stratégie d'IA et de cybersécurité, en favorisant la résilience et la sécurité partagée à l'ère de l'IA.
|
Combien pouvez-vous déléguer aux agents ? (7 minutes lire)
L'autonomie de l'agent dépend de la complexité des tâches, pas seulement de la qualité du modèle. Les tâches se répartissent en quatre niveaux : l'assistant, l'humain dans la boucle, la délégation des agents et l'autoconduite, déterminés par la facilité de vérification et les conséquences potentielles des erreurs. La mise en place de garde-corps, de compétences personnalisées et de modèles spécifiques au domaine améliore l'autonomie et l'efficacité des agents.
|
|
LLaDA2.X (Repo GitHub)
Modèles de langage de diffusion LLaDA2 pour la génération de texte et les workflows d'agents.
|
|
Aimer TLDR ? Dites à vos amis et obtenez des récompenses!
| Partagez votre lien de référence ci-dessous avec des amis pour obtenir gratuitement TLDR swag!
| | |
| Suivez vos références ici. |
|
|
|
CORTEX