Actualités

Un agent mobile near-frontier est publié avec environnements et recettes de training entièrement ouverts : MobileGym++ simule 35 applications commerciales avec des workflows cross-app, avec reset et vérification contrôlables. Pertinent pour qui construit des agents on-device.

Nouveau Benchmark qui mesure dans quelle mesure les modèles de génération vidéo conservent une Mémoire cohérente du monde qu'ils génèrent : contenu déjà observé préservé et évolution cohérente dans le temps, au-delà de la fidélité visuelle et de la durée.

ClawLoop (LongCat) entraîne des agents LLM dans des sandbox via un cycle autosuffisant en trois phases — synthèse des tâches, entraînement SFT/RL, diagnostic des rollouts — dont le diagnostic alimente la synthèse des tâches suivantes, supprimant le modèle externe qui synthétise habituellement tâches et trajectoires. Avec Qwen3.6-27B, il progresse sur SkillsBench, Claw-Eval-Live et ClawGym-Bench ; les tâches raffinées se transfèrent avec des gains même à Qwen3.5-4B et 9B.

Nouveau paper sur Hugging Face : aligner les représentations latentes de générateurs d'images aux architectures différentes (diffusion et flow matching) reste un problème ouvert. InstantFusion propose une interface latente partagée pour rendre les générateurs interopérables.

Un Transformer entraîné à prédire les marginales conditionnelles des variables manquantes, l'ingrédient clé pour calculer le risque bayésien et la valeur d'une observation supplémentaire avant de décider en conditions d'information incomplète.

Un nouveau paper montre qu'un seul bloc Transformer, appliqué récursivement, égale l'exactitude d'un encodeur visuel pleine profondeur à FLOPs d'Inférence comparables. La clé est de représenter les FFN de chaque profondeur récurrente comme combinaison convexe d'une petite banque d'experts partagés, sans distillation des features intermédiaires.

Un nouveau paper montre comment un modèle multimodal peut intérioriser la capacité de raisonnement spatial d'un agent utilisant des outils, en réduisant le coût d'Inférence : le modèle apprend à partir de traces vérifiées de ses propres exécutions, sans dépendre d'outils externes.

Le papier PaLoRA montre que la restriction du pas dans les méthodes LoRA pour l'apprentissage continu devrait croître avec le rang effectif des connaissances accumulées, et propose un rythme adaptatif qui apporte +4 % de précision sur des benchmarks à 50 tâches.

Kandinsky Lab publie le papier de Kandinsky 6.0 Video : une paire de modèles fondateurs pour la génération synchronisée de vidéo et d'audio, premier papier de la journée sur Hugging Face avec 8 modèles et 6 Spaces déjà liés.

Lightricks publie LTX-2.5, en poids ouverts : génération vidéo avec audio synchronisé à partir de texte, d'image ou de vidéo, avec multishot natif qui préserve l'identité et le style entre les scènes, un nouveau décodeur vidéo par diffusion à la place de l'étape VAE et un encodeur de texte Gemma 4 12B. Les poids sont pensés pour l'exécution et l'ajustement fin sur votre propre infrastructure.

Les chercheurs de l'University of Central Florida proposent TACO, un optimiseur tertiaire one-sparse par colonne pour le Fine-tuning des LLM : il conserve les gradients du premier ordre tout en réduisant l'état persistant de l'optimiseur de 27,7 Go à 0,16 Go sur OPT-13B.

Une nouvelle méthode, WUSH-KV, réduit la mémoire et la bande occupées par la KV cache pour l'Inférence à long contexte, en la quantifiant à basse précision avec des transformations calibrées sur les données. À 2 bits, l'approche égale ou surpasse la transformation OSCAR sur tous les modèles et les tâches testées. C'est le signe que l'optimisation de la mémoire ne concerne plus seulement les poids, mais aussi la mémoire de contexte.

Le paper PISA propose une stratégie de sélection Top-K en pyramide qui porte l'attention en blocs creux à une complexité O(N log N), réduisant le goulot d'étranglement quadratique de la sélection des blocs ; noyaux Triton pour l'entraînement et l'Inférence.