OutilsHuggingFace Blog47sem

Découvrez le Hugging Face Kernel Hub en 5 minutes

Résumé IASource uniqueImpact UE

Titre: Découvrez le Hugging Face Kernel Hub en 5 minutes

Résumé: Ce tutoriel présente rapidement le Hugging Face Kernel Hub, une plateforme qui permet aux utilisateurs de partager et d'exécuter des environnements Python, en mettant l'accent sur sa facilité d'utilisation et son intégration avec Jupyter Notebooks.

Impact France/UE

Aucun impact direct — Le Hugging Face Kernel Hub est une plateforme de partage et d'exécution d'environnements Python via Jupyter Notebooks, n'étant pas spécifiquement réglementé par des textes européens comme le RGPD ou l'AI Act, et n'affectant pas directement des entreprises ou secteurs spécifiques en France ou dans l'UE.

Vu une erreur factuelle dans cet article ? Signalez-la. Toutes les corrections valides sont publiées sur /corrections.

À lire aussi

1HuggingFace Blog

Créer et diffuser aisément des nuclei ROCm grâce à Hugging Face

Titre: Construisez et partagez facilement les noyaux ROCm avec Hugging Face Résumé: Hugging Face introduit un outil pour simplifier la création et le partage de noyaux ROCm, permettant aux développeurs d'exploiter efficacement les GPU Radeon pour l'IA et le calcul haute performance.

UEAucun impact direct — Cet article se concentre sur un outil pour simplifier la création et le partage de noyaux ROCm pour GPU Radeon, sans mentionner de spécificités liées à des entreprises françaises, des lois européennes, des secteurs ou des opportunités/menaces concrètes en France ou dans l'Union Européenne.

OutilsOutil

1 source

2HuggingFace Blog

Découvrez swift-huggingface: Le client Swift complet pour Hugging Face

Titre: Présentation de swift-huggingface : le client Swift complet pour Hugging Face Ce projet introduit swift-huggingface, un client Swift complet pour l'API Hugging Face, facilitant l'accès aux modèles de langage et aux transformations de texte. Il prend en charge plusieurs modèles populaires comme GPT-2, GPT-3, BERT et Transformer. Ce client offre une intégration fluide avec les bibliothèques Swift existantes, permettant aux développeurs de tirer parti des capacités avancées des modèles Hugging Face dans leurs applications Swift.

UEAucun impact direct — Ce projet swift-huggingface, un client Swift pour Hugging Face, ne concerne pas spécifiquement des entreprises ou des secteurs français/européens, mais il fournit un outil utile pour les développeurs dans la communauté Swift, potentiellement facilitant l'intégration d'IA dans les applications Swift.

RechercheOutil

1 source

3MarkTechPost

Hugging Face lance ml-intern, un agent IA open source qui automatise l'après-entraînement des LLM

Hugging Face a publié ml-intern, un agent d'intelligence artificielle open-source conçu pour automatiser de bout en bout le post-entraînement des grands modèles de langage (LLM). Construit sur le framework smolagents de la société, l'outil est capable de réaliser de manière autonome des revues de littérature scientifique sur arXiv, de découvrir des jeux de données sur le Hub Hugging Face, d'exécuter des scripts d'entraînement et d'évaluer itérativement les résultats, le tout sans intervention humaine. Lors d'une démonstration officielle, l'agent a pris le modèle de base Qwen3-1.7B, qui obtenait initialement environ 10 % sur le benchmark GPQA de raisonnement scientifique, et l'a porté à 32 % en moins de 10 heures sur un seul GPU H100, franchissant la barre des 27,5 % en seulement trois heures. Ce résultat dépasse celui de Claude Code d'Anthropic, actuellement à 22,99 % sur cette même tâche, et se rapproche du record actuel de 33 % obtenu avec le modèle Gemma-3-4B, deux fois plus grand. L'impact de ml-intern est direct pour les équipes de recherche en machine learning : il automatise un cycle de travail qui mobilise habituellement plusieurs ingénieurs pendant plusieurs jours. L'agent gère la génération de données synthétiques lorsque les jeux de données existants sont insuffisants, comme dans un test médical où il a produit des exemples d'entraînement ciblant des cas limites en langage médical et en réponse d'urgence multilingue. Il implémente également des techniques avancées comme le Group Relative Policy Optimization (GRPO), une variante du RLHF moins gourmande en mémoire que le PPO standard, en surveillant les courbes de récompense et en lançant des ablations pour identifier les composants efficaces. L'ensemble du suivi expérimental repose sur Trackio, un outil natif au Hub présenté comme alternative open-source à Weights & Biases. Cette publication s'inscrit dans une tendance de fond : l'automatisation du travail des chercheurs en IA par des agents eux-mêmes entraînés à raisonner sur des pipelines ML. Le benchmark PostTrainBench, développé par l'université de Tübingen et le Max Planck Institute, a servi de cadre d'évaluation standardisé, contraignant les agents à post-entraîner un modèle de base en moins de 10 heures. En positionnant ml-intern comme supérieur à Claude Code sur cette tâche précise, Hugging Face signale une ambition claire : faire de son écosystème, du Hub aux outils d'entraînement, une plateforme autonome et intégrée capable de rivaliser avec les solutions propriétaires d'Anthropic ou de Google. La disponibilité en open-source de l'agent ouvre la voie à des adaptations communautaires rapides, et le benchmark PostTrainBench devrait s'imposer comme référence pour évaluer les prochaines générations de ces outils.

UEHugging Face, entreprise française cofondatrice de l'écosystème open-source IA européen, renforce son positionnement face aux solutions propriétaires américaines en offrant aux équipes de recherche françaises et européennes un agent gratuit capable d'automatiser le post-entraînement de LLMs sans dépendance cloud.

OutilsOutil

1 source

4Meta Engineering ML

Bulles d'amis : améliorer la découverte sociale sur Facebook Reels

Facebook a développé une fonctionnalité appelée "Friend Bubbles" dans Facebook Reels, qui met en avant les vidéos aimées ou commentées par vos amis pour faciliter la découverte de contenu et les conversations. Le système repose sur plusieurs modèles de machine learning qui évaluent la proximité entre utilisateurs (via des sondages et des interactions sur la plateforme) et classent les vidéos selon leur pertinence sociale et contextuelle. En combinant signaux d'intérêt personnel et interactions du réseau social, la fonctionnalité crée une boucle vertueuse : plus les amis interagissent, meilleures sont les recommandations et plus les liens sociaux se renforcent.

OutilsOutil

1 source

Recevez l'essentiel de l'IA chaque jour

Une sélection éditoriale quotidienne, sans bruit. Directement dans votre boîte mail.

Recevez l'essentiel de l'IA chaque jour