AI FRONTIER
Signals worth understanding before they become obvious.
Qwen3.8-27B publié : un modèle vision-langage natif de 27B sous Apache-2.0
Qwen présente Qwen3.8-27B, un modèle vision-langage dense natif de 27B fondé sur l'architecture Qwen3.5, avec compréhension d'images et de vidéos, profondeur de raisonnement ajustable et poids ouverts sous Apache-2.0.
- 27B paramètres, dimension cachée 5120, 64 couches, longueur de contexte native de 262 144 tokens, extensible jusqu'à 1 000 000 tokens.
- Prise en charge native de la compréhension d'images et de vidéos, des schémas STEM et documents aux vidéos d'une heure.
- Le mode réflexion est activé par défaut et peut être désactivé par requête ; la profondeur de raisonnement se règle via reasoning_effort, et preserve_thinking est activé par défaut.
- Les poids sont publiés au format Hugging Face Transformers et compatibles avec Transformers, vLLM, SGLang et TokenSpeed sous licence apache-2.0.
Pour les équipes qui auto-hébergent des agents multimodaux, un modèle dense de 27B sous Apache-2.0 abaisse la barrière de déploiement, mais les performances en contexte long et sur vidéo doivent être vérifiées selon les conditions de benchm...
thinkingmachines/Inkling-2-Small : un modèle multimodal MoE de 594B paramètres publié en poids ouverts
Inkling 2 Small est un modèle multimodal polyvalent qui accepte des entrées texte et image et génère du texte, construit sur un transformeur décodeur de 48 couches avec une base feed-forward Mixture-of-Experts creuse qui route chaque token vers 8 des 384 experts. Il compte 594B paramètres au total et 17B actifs, et est...
- 594B paramètres au total, 17B actifs ; chaque token est routé vers 8 des 384 experts.
- Le checkpoint principal NVFP4 nécessite au moins 500GB de VRAM agrégée, atteignable avec 2x NVIDIA B300 ou 4x NVIDIA H200.
- Le checkpoint alternatif MXFP8 nécessite au moins 800GB de VRAM agrégée, atteignable avec 4x B300 ou 8x H200.
- NVFP4 est la précision native ; MXFP8 n'apporte qu'un gain marginal de 1 à 2 points de pourcentage sur les évaluations.
Pour les développeurs, le modèle offre une capacité multimodale de 594B paramètres totaux avec 17B actifs, mais le seuil de 500GB et plus de VRAM agrégée impose un déploiement sur cluster multi-GPU.
Claude Opus 5.5 : les programmes de robots IA réussissent 221 des 240 exécutions de test
Selon BornCity, Claude Opus 5.5 a réussi 221 des 240 exécutions de test sur des tâches de programmes de robots IA.
- BornCity rapporte 221 réussites sur 240 exécutions de test.
- Le résultat porte sur des tâches de programmes de robots IA.
Pour les développeurs d'agents robotiques, 221 réussites sur 240 signifie qu'environ 8 % des exécutions échouent encore, ce qui rend nécessaires des mécanismes de repli et de vérification.
Vijay Gadepally (MIT) affirme pouvoir réduire jusqu'à 30 % la consommation énergétique de l'IA sans affecter les performances
Selon El Español, Vijay Gadepally, du MIT, a déclaré que la consommation énergétique de l'IA peut être réduite jusqu'à 30 % sans affecter les performances.
- Vijay Gadepally est affilié au MIT.
- El Español rapporte une réduction annoncée pouvant atteindre 30 % de la consommation énergétique de l'IA.
- L'affirmation indique que les performances ne sont pas affectées.
Pour les constructeurs d'IA, une réduction énergétique annoncée sans perte de performance laisse entrevoir des économies de coûts et de déploiement, mais le chiffre de 30 % doit être validé sur des charges réelles.