Articles sur Nvidia

Z.ai a lancé le modèle open source GLM-5.3-Flash, doté de 320 milliards de paramètres, qui, sur l'indice d'analyse artificielle, ne cède que de trois points à un plus grand GLM-5.3, mais à un coût sept fois inférieur à celui-ci. Il convient de noter que tous les flux d'inférence sont exécutés sur des puces AI chinoises, et non sur le matériel Nvidia. La sortie de GLM-5.3-Flash marque une nouvelle percée dans l'équilibre entre le coût et les performances des modèles d'IA.

Nvidia a acquis la plateforme d'intelligence artificielle open source Hugging Face pour 12,9 milliards de dollars, alors que ce dernier a réalisé un chiffre d'affaires de 1,5 milliard de dollars par an. Cette transaction est le dernier mouvement de Nvidia dans le cadre de son investissement de plusieurs milliards de dollars dans les modèles d'intelligence artificielle open source, tandis que les fournisseurs d'intelligence artificielle propriétaire comme OpenAI et Anthropic s'éloignent du matériel Nvidia. L'acquisition de Hugging Face est une autre avancée de Nvidia dans le domaine de l'intelligence artificielle.

Nvidia est en train d'acquérir le centre d'intelligence artificielle open source Hugging Face pour 129 milliards de dollars. Cette transaction aidera Nvidia à protéger son empire de puces et à réintégrer le secteur du cloud computing. Hugging Face possède un grand nombre de modèles et de ressources communautaires que Nvidia peut utiliser pour développer davantage son activité d'intelligence artificielle.

En réponse à la demande croissante de centres de données, Amazon a acheté à Nvidia 2 millions de puces de processeur graphique supplémentaires, soit trois fois plus que précédemment. Ce partenariat ne se limite pas à l'achat de puces, mais s'étend à d'autres domaines.

La formation de la stratégie de navigation des robots est une étape clé pour mettre en œuvre l'autonomie des robots. Contrairement au contrôle de mouvement simple, la navigation nécessite que le robot puisse se localiser en permanence, interpréter les changements de l'environnement qui l'entoure, choisir un chemin et éviter les obstacles. Cependant, ce processus nécessite souvent une grande quantité de données, des ressources de simulation, des interfaces robotiques, etc. Récemment, les chercheurs ont proposé une méthode d'entraînement d'agents d'IA pour la navigation de robots transcorporéels, afin d'améliorer la généralité et l'adaptabilité des stratégies de navigation des robots.

Alibaba a publié les poids du modèle Qwen3.8-Flash-Next, en guise d'avant-goût de l'architecture Qwen4 à venir, pour que les développeurs puissent l'expérimenter et l'évaluer. Ce modèle utilise une architecture multi-modale à experts mixtes (MoE), avec un total de 176 milliards de paramètres, dont 51 milliards de paramètres d'incorporation de N-grammes, avec 6 milliards de paramètres activés pour chaque jeton. Sa taille native de fenêtre de contexte est de 262 144 jetons, et peut être étendue à 1 million de jetons via YaRN.

Alibaba a publié les poids du modèle Qwen3.8-Flash-Next en tant qu'aperçu de la prochaine architecture Qwen4, permettant aux développeurs d'expérimenter et d'évaluer. Le modèle utilise une architecture MoE multimodale, avec 12,5 milliards de paramètres principaux, complétés par 5,1 milliards de N-gram embeddings, et 600 millions de paramètres d'activation par jeton. Il prend en charge une fenêtre de contexte de 262 144 jetons, pouvant être étendue jusqu'à 1 million de jetons.

OpenAI a présenté sa première puce d'inférence d'apprentissage profond, Jalapeño, et a réalisé des tests de référence lors de la conférence Hot Chips. Les résultats des tests montrent que Jalapeño surpasse Nvidia's Blackwell et Rubin en termes de débit et d'efficacité énergétique. Le PDG de SemiAnalysis, Dylan Patel, a déclaré que c'était un outsider qui a réussi à battre Nvidia dès sa première puce.

Nvidia a annoncé la production en masse de son processeur de raisonnement Groq 3 LPX, qui atteint une performance de 3 400 jetons par seconde sur le Gemma 4 31B, soit quatre fois plus vite que Cerebras. Cependant, ce chiffre ne révèle pas toute la vérité. Nvidia a besoin d'au moins 64 accélérateurs pour atteindre cette vitesse, tandis que Cerebras n'en a besoin que d'un ou deux.

Un cadre supérieur de Nvidia est soupçonné d'avoir participé au plan d'AMD pour faire passer en contrebande des serveurs d'intelligence artificielle en Chine, Jensen Huang avait déjà critiqué publiquement le comportement d'AMD.

Nvidia envisage d'investir dans Perplexity à hauteur de plus de 3 000 milliards de dollars, alors que les revenus annuels de cette dernière sont passés à 7,5 milliards de dollars.

L'AVO de NVIDIA atteint 100 % de l'ARC-AGI-3, démontrant une architecture polyvalente de pointe pour les agents autonomes à long terme. NVIDIA a réalisé une avancée majeure dans le domaine des agents autonomes par rapport à avant. Cela signifie que la compétitivité de NVIDIA dans le domaine de l’IA a encore augmenté. Les développeurs peuvent utiliser l'architecture AVO pour développer des agents autonomes plus intelligents.

Le billet de blog de NVIDIA aborde la place de la sécurité dans la pile d'agents d'IA, soulignant l'importance d'intégrer la sécurité dans les systèmes d'IA. L'article souligne que la sécurité ne consiste pas seulement à ajouter un composant distinct, mais nécessite une prise en compte globale de la sécurité de l'ensemble du système.