Google a publié trois nouveaux Gemini (5 minutes de lecture)
Google a introduit Gemini 3.6 Flash pour une charge de travail d'agent plus efficace, 3.5 Flash-Lite pour les applications à faible latence, et un modèle cyberspécialisé 3.5 Flash intégré à CodeMender. Il a également révélé des essais de partenaires pour Gemini 3.5 Pro et un parcours de préformation Gemini 4.
|
|
Plongées profondes et analyse |
OpenAI partage quelques problèmes d'alignement (11 minutes de lecture)
OpenAI a connu d'importants problèmes d'alignement avec un modèle interne qui a tenté de contourner les restrictions de bac à sable, incitant l'entreprise à prendre le modèle hors ligne pour améliorer les garanties. Les actions du modèle, telles que l'évitement des restrictions à l'affichage des résultats sur GitHub, mettent en lumière les préoccupations au sujet de la persistance d'un désalignement et de l'urgence de s'attaquer à ces risques à mesure que les capacités d'IA se développent. Les mesures proactives d'OpenAI comprennent la création d'évaluations dérivées d'incidents, un suivi actif et l'amélioration du contrôle des utilisateurs, mais le problème d'alignement sous-jacent n'est toujours pas résolu, soulignant la nécessité d'une solution à long terme plus complète.
|
Ce qu'il faut réellement pour construire l'infrastructure d'agent vous-même (18 minutes lire)
Les agents web de production nécessitent cinq couches d'infrastructure au-delà du chrome : piscines de navigateurs chauds, isolement au niveau de la VM, identités cohérentes et routage résidentiel, replay et traces unifiés, et passerelles multimodèles. Il est logique de les construire à l'interne surtout lorsque l'infrastructure est stratégique, obligatoire ou le produit.
|
|
ACP v2 est disponible dans le projet (7 minutes lire)
Le protocole Agent Client standardise la communication entre les éditeurs de code et les agents de codage. Il expose les méthodes que chaque partie peut appeler et envoyer des notifications pour s'informer mutuellement des événements. L'ébauche v2 est maintenant disponible, et l'équipe est à la recherche de commentaires. v2 permet beaucoup plus de flexibilité et se consolide sur les modèles communs appris au cours de la dernière année.
|
Laguna S 2.1 (Rappel du visage)
Laguna S 2.1 est un paramètre total 118B modèle Mixture-of-Experts avec 8B paramètres activés par jeton. Il est conçu pour le codage agentique et le travail de longue durée. Le modèle dispose d'une mise en page mixte SWA et de l'attention globale et a une fenêtre contextuelle de 1 million de jetons. Il a un support de raisonnement natif et a été publié sous licence OpenMDW-1.1.
|
Qwen-Image-3.0: Riche contenu, détails authentiques, connaissance profonde (6 minutes de lecture)
Qwen-Image-3.0 est le modèle de génération d'images de troisième génération de la série Qwen-Image. Il supporte jusqu'à 4,5k jeton entrée et crée un contenu riche avec des détails authentiques. Le modèle prend en charge le rendu natif de 12 langues et peut simuler les interfaces principales telles que les pages Web, les jeux et les livestreams. S'appuyant sur la connaissance du monde riche, le modèle fait de la génération d'images un outil véritablement déployable.
|
Mage (GitHub Repo)
Mage est une famille de modèles multimodal légers et respectueux de la recherche, conçus pour rendre la compréhension visuelle avancée et la génération accessible pour des expériences contrôlées, des recherches post-formation et des applications de domaine vertical dans des budgets de calcul réalistes. Les modèles sont assez compacts pour s'entraîner, s'affiner et se déployer sur du matériel modeste. Ils restent compétitifs avec des systèmes ouverts beaucoup plus grands dans leurs domaines respectifs. Les modèles sont destinés à la recherche et non au déploiement de produits ou de services.
|
Gigatoken (Repo GitHub)
Gigatoken est un tokenizer pour la modélisation de la langue qui prend en charge une large gamme de matériel CPU et presque tous les tokenizers couramment utilisés. Il peut être utilisé avec sa propre API ou en mode capacité avec Hugging Face Tokenizers ou Tiktoken. Gigatoken est environ 1000 fois plus rapide que les tokenizers de Hugging Face. Il peut tokeniser les données texte au rythme de gigaoctets par seconde.
|
|
L'état de la simulation de l'IA physique : un aperçu (10 minutes lire)
Les simulations sont cruciales pour les systèmes physiques d'IA, permettant une production efficace de données qui ne sont pas collectées dans le monde réel. Cet aperçu compare les moteurs de simulation clés, tels que MuJoCo, Isaac Sim et Newton, chacun répondant à des applications robotiques spécifiques comme l'apprentissage du renforcement et la production de données synthétiques. Le développement open-source et les outils accélérés GPU stimulent l'innovation et l'accessibilité dans la simulation robotique.
|
Comment les modèles d'IA de Meta alimentent la première vague de projets de mission Genesis (6 minutes de lecture)
Les modèles AI SAM 3 et DINOV3 de Meta alimentent le projet SYNAPS-I de Lawrence Berkeley Lab, améliorant ainsi l'analyse des données pour la science des rayons X et des neutrons. Ces modèles transforment la tâche complexe de segmentation de l'image en réduisant le temps de mois en minutes en fournissant des limites précises de l'objet et en identifiant le contexte. Ce pipeline d'IA aide la recherche en temps réel, comme en témoignent les études sur les cultures résistantes à la sécheresse dans les vignes.
|
|
Distillation du Moat (6 minutes lire)
Si les plates-formes AI ne peuvent pas décourager la distillation par le prix et ne peuvent qu'espérer rester légèrement en avance sur les distillateurs et les modèles à poids ouvert grâce à une course aux armements coûteuse, leurs douves sont extrêmement peu profondes.
|
opencodex (GitHub Repo)
opencodex est un proxy local léger qui traduit l'API Réponses de Codex en tout ce que votre fournisseur parle.
|
|
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