AI FRONTIER
Signals worth understanding before they become obvious.
ccore/Qwen3.5-4B-3D-Coder : un aperçu ouvert de 4B axé sur les scènes 3D Three.js
ccore publie un aperçu précoce d'un fine-tune indépendant basé sur Qwen/Qwen3.5-4B, ciblant le codage général et la génération de scènes 3D interactives avec Three.js, avec les poids FP16, des quantifications GGUF, le jeu de données d'entraînement et un rapport technique désormais disponibles.
- Le modèle compte 4,5B de paramètres ; le dépôt indique 5B params avec un type de tenseur F16.
- Il est publié sous licence Apache 2.0 et constitue un fine-tune indépendant basé sur Qwen/Qwen3.5-4B, non une sortie officielle de Qwen.
- Le jeu de données d'entraînement CCORE Three.js 3D Scenes est public avec 4 146 exemples de scènes (3 933 entraînement / 213 validation) sous licence MIT.
- Les versions GGUF Q4_K_M et Q8_0 acceptent des entrées image avec le projecteur visuel BF16 optionnel d'environ 644 MiB, testé localement avec llama.cpp b11889.
Un codeur de classe 4B avec jeu de données ouvert et poids GGUF permet aux développeurs de prototyper localement des scènes 3D Three.js et une génération guidée par image dans un contexte configuré à 64K.
Prévision d'ensemble avec les modèles de séries temporelles IBM Granite
IBM Research a publié Granite Timeseries Ensemble, qui combine quatre modèles Granite pré-entraînés dans une interface de prévision extensible renvoyant des prévisions médianes et quantiles, sans réentraînement ni pondérations d'ensemble ajustées.
- La recette stocke la configuration de l'ensemble plutôt que des poids de modèles fusionnés et télécharge les quatre points de contrôle membres à l'exécution, ce qui allonge la première exécution.
- Les quantiles par défaut vont de 0,1 à 0,9, les quantiles 0,1 et 0,9 définissant un intervalle de prévision central avec une couverture nominale de 80 %.
Pour les développeurs d'IA, l'ensemble offre un point de départ par défaut qui évite de choisir une architecture unique à l'avance, mais la marge de MASE est faible : le principal avantage est la robustesse, à mettre en balance avec la late...
Google dévoile des agents IA qui conçoivent de l'ADN et apprennent au laboratoire
Selon un reportage de Pasquale Pillitteri, Google a dévoilé des agents IA capables de concevoir de l'ADN et d'apprendre à partir du retour du laboratoire.
- La source est un reportage de Pasquale Pillitteri.
- Le reportage indique que Google a dévoilé des agents IA qui conçoivent de l'ADN et apprennent au laboratoire.
Pour les constructeurs d'IA, cela signale une direction de recherche combinant des agents et une boucle de rétroaction de laboratoire pour la conception d'ADN.