Découvrez des outils AI de qualité
Rassemblez les principaux outils d'intelligence artificielle du monde pour aider à améliorer l'efficacité du travail
Articles publiés par SamuelAdams
Lors de la Conférence mondiale sur l'IA de 2026, Wang He, directeur technique de Galaxy General Robotics, a prédit que l'intelligence incarnée connaîtrait des avancées majeures avant 2028, avec des performances comparables à celles de ChatGPT. Les futurs modèles de base, entraînés sur d'énormes volumes de données, pourraient atteindre un taux de réussite de 70 à 80 % sur des tâches pour lesquelles ils n'ont pas été entraînés, grâce à un pré-entraînement avancé et à des paradigmes de post-entraînement efficaces.
Lors de la Conférence mondiale sur l'IA de 2026, Wang He, directeur technique de Galaxy General Robotics, a prédit que l'intelligence incarnée connaîtrait des avancées majeures avant 2028, avec des performances comparables à celles de ChatGPT. Les futurs modèles de base, entraînés sur d'énormes volumes de données, pourraient atteindre un taux de réussite de 70 à 80 % sur des tâches pour lesquelles ils n'ont pas été entraînés, grâce à un pré-entraînement avancé et à des paradigmes de post-entraînement efficaces.
Le laboratoire AI Frontiers de Microsoft Research a publié la série de modèles d'agents Fara1.5, conçus pour l'automatisation des navigateurs. Ces modèles, dont le nombre de paramètres peut atteindre 27 milliards, fonctionnent via le bac à sable MagneticLite en utilisant un cycle « Observer-Réfléchir-Agir » pour accomplir des tâches sur le Web. Lors de tests de performance, la version 27 milliards a atteint un taux de réussite de 72 %, surpassant des concurrents tels qu'OpenAI Operator. Les modèles sont entraînés sur des données variées et intègrent des fonctionnalités de sécurité, s'arrêtant en cas de tâches ambiguës ou de problèmes de confidentialité avant d'exécuter des actions irréversibles.
Le laboratoire AI Frontiers de Microsoft Research a publié la série de modèles d'agents Fara1.5, conçus pour l'automatisation des navigateurs. Ces modèles, dont le nombre de paramètres peut atteindre 27 milliards, fonctionnent via le bac à sable MagneticLite en utilisant un cycle « Observer-Réfléchir-Agir » pour accomplir des tâches sur le Web. Lors de tests de performance, la version 27 milliards a atteint un taux de réussite de 72 %, surpassant des concurrents tels qu'OpenAI Operator. Les modèles sont entraînés sur des données variées et intègrent des fonctionnalités de sécurité, s'arrêtant en cas de tâches ambiguës ou de problèmes de confidentialité avant d'exécuter des actions irréversibles.
OpenAI a mis en open source son modèle « Privacy Filter », doté de 150 millions de paramètres, sur Hugging Face et GitHub sous licence Apache 2.0. Ce modèle basé sur la méthode MoE (Mechanism of Evidence) utilise une compréhension linguistique approfondie pour anonymiser les données personnelles contenues dans des textes, avec un score F1 de 97,43 lors des tests de performance, et prend en charge des contextes de 128 000 tokens pour un déploiement local. Il contribue à la protection de la vie privée dans les pipelines de développement, mais ne remplace pas les mesures de conformité requises dans les domaines hautement sensibles.
OpenAI a mis en open source son modèle « Privacy Filter », doté de 150 millions de paramètres, sur Hugging Face et GitHub sous licence Apache 2.0. Ce modèle basé sur la méthode MoE (Mechanism of Evidence) utilise une compréhension linguistique approfondie pour anonymiser les données personnelles contenues dans des textes, avec un score F1 de 97,43 lors des tests de performance, et prend en charge des contextes de 128 000 tokens pour un déploiement local. Il contribue à la protection de la vie privée dans les pipelines de développement, mais ne remplace pas les mesures de conformité requises dans les domaines hautement sensibles.
Une étude de validation à grande échelle menée auprès de 246 participants a révélé que les montres connectées grand public constituent une plateforme très fiable pour estimer les paramètres clés de la marche, tels que la vitesse et la longueur des pas. Grâce à un nouveau modèle d'apprentissage profond, les montres connectées portées au poignet ont atteint une précision comparable à celle des méthodes basées sur les smartphones. Cela permet une analyse pratique et continue de la marche en dehors des laboratoires pour la surveillance de la santé et l'évaluation des risques de chute.
Une étude de validation à grande échelle menée auprès de 246 participants a révélé que les montres connectées grand public constituent une plateforme très fiable pour estimer les paramètres clés de la marche, tels que la vitesse et la longueur des pas. Grâce à un nouveau modèle d'apprentissage profond, les montres connectées portées au poignet ont atteint une précision comparable à celle des méthodes basées sur les smartphones. Cela permet une analyse pratique et continue de la marche en dehors des laboratoires pour la surveillance de la santé et l'évaluation des risques de chute.
