5 billet(s)
Mistral AI publie Timestral, une famille de quatre modèles préentraînés pour la prévision probabiliste de séries temporelles. Les modèles couvrent de 5 à 209 millions de paramètres et prennent en charge les variables multiples ainsi que les covariables passées ou futures.
Liquid AI publie d1-3B et la version expérimentale d1-omni-600M, deux modèles open weight produisant des décisions structurées sans génération de tokens. Les modèles ciblent notamment l’inférence multimodale à faible latence sur GPU et appareils Jetson.
Deux prépublications proposent des approches complémentaires contre l’injection de prompt : un benchmark pour les systèmes RAG et un entraînement adversarial pour les agents web. Les résultats portent respectivement sur 4 876 exemples et 150 tâches web.
Des évaluations communautaires de Bonsai 2 27B montrent qu’une quantification ternaire peut préserver certaines capacités de Qwen3.8 dans une empreinte de 6 à 8 Go. Les résultats signalent toutefois une forte consommation de tokens, une latence accrue et des performances variables selon les benchmarks.
OpenAI présente les premiers résultats de Jalapeño, sa puce d’inférence développée avec Broadcom. Ses tests font état d’une efficacité énergétique et d’une latence améliorées face aux systèmes NVIDIA GB200 et GB300.