Première main: Partez du document original, de sa date, de son périmètre et de ses révisions. Une source directe établit ce qui a été annoncé, pas une validation indépendante. Page 25 sur 43
Découvrez Ultrafast, un nouveau niveau de service de l'API OpenAI qui exécute GPT-5.6 Sol jusqu'à 14× plus vite. Propulsé par Cerebras, il délivre jusqu'à 750 tokens de sortie par seconde.
OpenAI nomme Dali Rajic au poste de Chief Revenue Officer pour diriger son organisation mondiale des revenus et aider les entreprises à tirer pleinement parti de l'IA.
La version GA de DeepSeek-V4-Pro a été déployée sur l'APP, le Web et l'API. La méthode d'appel de l'API reste inchangée — il suffit de définir le nom du modèle sur deepseek-v4-pro pour utiliser la dernière version. La version GA de DeepSeek V4 Pro améliore considérablement les capacités des agents, avec des gains de performance particulièrement significatifs en environnement de production. L'API DeepSeek prend désormais en charge nativement le format OpenAI Responses API et est spécifiquement adaptée pour Codex. Les utilisateurs peuvent consulter la documentation officielle et terminer la configuration de Codex avec un script de configuration en un clic. Les modes de réflexion de V4-Pro et V4-Flash prennent désormais en charge trois niveaux d'effort de réflexion : low / high / max. Dans l'usage réel, les utilisateurs peuvent choisir flexiblement en fonction de la complexité de la tâche : utilisez low pour les tâches simples, high pour les tâches Agent quotidiennes, et max pour les scénarios plus complexes. Pour les instructions de configuration, veuillez consulter la documentation officielle de l'API : Thinking Mode. Avec la sortie officielle de la famille de modèles DeepSeek V4, nous mettrons à jour et ajusterons la tarification de l'API. Pour allouer les ressources plus raisonnablement, nous adopterons une tarification heures pleines/heures creuses, avec des prix hors pointe fixés à la moitié des prix aux heures pleines, encourageant les utilisateurs à planifier leurs
Un chemin, une clôture, un nœud. MindTopo établit une nouvelle référence pour tester la manière dont l’IA comprend les relations topologiques et met en lumière de nouvelles opportunités pour renforcer le raisonnement spatial et la planification. L’article MindTopo révèle les capacités de raisonnement spatial des VLM est apparu en premier sur Microsoft Research .
Présentation de la conversion de la langue des signes en texte (SL2T), notre modèle révolutionnaire qui alimente de nouvelles fonctionnalités de langue des signes pour les utilisateurs sourds et malentendants.
L'IA en radiologie évolue au-delà de la génération de comptes rendus. CARE-X explore une approche unifiée qui combine raisonnement flexible, prédictions calibrées et outils de mesure pour l'interprétation des radiographies thoraciques. L'article Introducing CARE-X: Towards Clinically Useful Radiology VLMs with Auxiliary Supervision, Reward-Aligned Learning, and Tool-Augmented Measurement est apparu en premier sur Microsoft Research .
Mistral réunit l'infrastructure d'inférence, les modèles ouverts et les engagements à long terme dont l'Europe a besoin pour maîtriser son avenir en matière d'IA, et trace une feuille de route pour le monde.
Dans le préentraînement des grands modèles de langage (Large Language Models, LLM), les hyperparamètres sont des facteurs clés qui influencent la qualité des résultats et contrôlent la dynamique d'entraînement du modèle. Or, le taux d'apprentissage (Learning Rate, LR), l'un des hyperparamètres les plus importants du préentraînement, ne permet pas de contrôler précisément la vitesse d'évolution des paramètres du modèle, et sa valeur optimale change souvent avec l'augmentation de l'échelle du modèle et des données. Cet article introduit le taux d'apprentissage effectif (Effective Learning Rate, ELR) pour contrôler le changement de direction des poids du modèle. En tant qu'hyperparamètre réglable, l'ELR est plus proche de la dynamique interne de l'entraînement que le LR, et constitue donc une base de réglage plus appropriée : dans le modèle à loi de puissance multiple (Multi-Power Law, MPL), l'ELR permet de prédire plus précisément la perte, et l'ELR optimal peut aussi être transféré plus fiablement à des modèles de différentes tailles. En outre, cette perspective de l'ELR peut également nous guider pour concevoir des stratégies de planification du LR plus appropriées, et se révèle supérieure en expérience aux stratégies de planification du LR conventionnelles servant de référence.
Nous apportons des mises à jour aux garanties de sécurité biologique de Claude Fable 5 d'une manière qui réduit considérablement les faux positifs. Les utilisateurs de Fable 5 connaîtront désormais beaucoup moins de « replis »—lorsque le système bascule vers un modèle moins capable après qu'ils ont posé une question liée à la biologie.
En tant que grand modèle audio-vidéo full-duplex natif, il comprend conjointement le son, l'image et les informations temporelles, offrant une expérience d'interaction naturelle où l'on regarde, écoute et parle en même temps
Shieldstral présente un classificateur de sécurité multimodal à poids ouverts de 3B qui surpasse des modèles jusqu'à 7 fois sa taille.
Orchard est un cadre open source destiné à la communauté de recherche pour entraîner et évaluer des agents d'IA sur différents types de tâches. Il réduit la complexité tout en soutenant de bonnes performances de la part de modèles plus petits en permettant aux chercheurs de réutiliser la même infrastructure. L'article Orchard : un cadre ouvert pour une IA agentique évolutive est apparu en premier sur Microsoft Research .
Aujourd'hui, nous annonçons officiellement la sortie de Qwen 3.8-Max, le modèle le plus puissant de la famille Qwen à ce jour. Cela marque également la première fois qu'un modèle de niveau Qwen-Max verra ses poids open source — les poids seront publiés en open source la semaine prochaine, restez à l'écoute. Qwen 3.8-Max est construit sur l'architecture de Qwen 3.5, avec une échelle de paramètres portée à 2,4 trillions, réalisant une progression globale en programmation, bureautique, recherche scientifique ainsi qu'en tâches de longue durée. Il ne se contente pas de relever des défis plus difficiles : il accomplit aussi de manière plus fiable des tâches complexes de bout en bout, en produisant des résultats dignes de confiance.
Les agents d'IA d'utilisation d'ordinateur peinent avec les flux de travail à plusieurs étapes comme le courriel et le support client. Echoverse entraîne les agents dans des environnements réalistes plutôt que de simplement fournir davantage de tâches d'entraînement, les aidant à s'améliorer à mesure que les tâches, les tests et les environnements évoluent. L'article Echoverse : Des environnements profonds et évolutifs pour les agents d'utilisation d'ordinateur est apparu en premier sur Microsoft Research .
Le RSS contient les versions de lecture complètes et à jour dans cette langue, avec leurs sources.
