TabFM, développé par Google Research et publié le 30 juin 2026, est un modèle fondamental dédié au traitement des données tabulaires structurées. Conçu pour les tâches de classification et de régression impliquant des colonnes mixtes numériques et catégorielles, il offre un nouveau paradigme pour les flux de travail de prédiction tabulaire, tant en entreprise qu'en recherche. TabFM aborde la prédiction tabulaire de manière novatrice comme un problème d'apprentissage contextuel.Il élimine la dépendance à l'égard de l'intervention humaine dans les modèles supervisés traditionnels, générant des résultats de prédiction en une seule propagation avant, éliminant ainsi complètement le besoin d'un réglage fin fastidieux des poids, d'une recherche d'hyperparamètres et d'une ingénierie des caractéristiques.Grâce à son architecture unique, TabFM a largement surpassé plusieurs modèles de référence supervisés traditionnels puissants avec des configurations à zéro échantillon qui ne nécessitent aucun réglage, améliorant considérablement l'efficacité du traitement des données.

Le site web d'HyperAI propose désormais « tabfm-1.0.0-pytorch : Banc d'essai de modèle basé sur une table sans exemple », alors n'hésitez pas à l'essayer !

Utilisation en ligne :https://go.hyper.ai/acMZd

Bienvenue sur notre site web officiel pour plus d'informations :

https://hyper.ai

Aperçu rapide des mises à jour du site web officiel d'hyper.ai du 11 au 17 juillet :

* Jeux de données publics de haute qualité : 8

* Une sélection de tutoriels de haute qualité : 7

* Analyse d'un article de la communauté : 1 article

* Entrées d'encyclopédie populaire : 5

Visitez le site officiel :hyper.ai

Ensembles de données publiques sélectionnés

1. Nemotron-Personas-India Ensemble de données de personnages synthétiques indiens

Nemotron-Personas-India est un ensemble de données de personnages synthétiques pour l'Inde, publié par NVIDIA. Il vise à améliorer la diversité des données synthétiques, à réduire les biais des modèles et à prévenir leur effondrement en reflétant la répartition géographique et démographique réelle de l'Inde. Cet ensemble de données contient 3 millions d'enregistrements, chacun comportant 7 rôles de personnages virtuels, soit environ 21 millions de descriptions de personnages et environ 7,7 milliards de jetons.

* Utilisation en ligne :https://go.hyper.ai/CBnWF

2. Nemotron-Personas-Corée Ensemble de données d'humains synthétiques coréens

Nemotron-Personas-Korea est un ensemble de données de personnages humains synthétiques publié par NVIDIA, conçu pour refléter fidèlement la diversité et les caractéristiques de la population sud-coréenne. Cet ensemble contient un million d'enregistrements, chacun comprenant sept personnages humains virtuels, soit environ sept millions de descriptions de personnages et près de 1,7 milliard de jetons, dont un milliard est associé aux personnages. Les données couvrent 17 régions autonomes métropolitaines et 252 villes et districts de Corée du Sud, et contiennent 209 167 noms uniques.

* Utilisation en ligne :https://go.hyper.ai/FDU8d

3. Nemotron-Personas-Japon (ensemble de données de caractères synthétiques japonais)

Nemotron-Personas-Japan est un ensemble de données de personnages humains synthétiques publié par NVIDIA. Il vise à illustrer la diversité et la richesse de la population japonaise et est principalement utilisé pour le développement de systèmes d'IA autonomes, l'entraînement de grands modèles de langage et la réduction des biais dans les données synthétiques. L'ensemble de données contient un million d'enregistrements, chacun comprenant six personnages humains virtuels, soit environ six millions de descriptions de personnages. Les données couvrent les 47 préfectures du Japon, plus de 1 500 catégories professionnelles et plus de 950 000 noms uniques.

* Utilisation en ligne :https://go.hyper.ai/5vLQd

4. Nemotron-Personas-Vietnam (Ensemble de données de personnes synthétiques vietnamiennes)

Nemotron-Personas-Vietnam est un ensemble de données de personnages humains synthétiques publié par NVIDIA, conçu pour refléter fidèlement la diversité et les caractéristiques de la population vietnamienne. Cet ensemble contient 100 000 enregistrements, chacun comprenant six personnages virtuels, soit environ 600 000 descriptions de personnages et près de 118 millions de jetons, dont 52 millions d'informations relatives aux personnages. Les données couvrent six municipalités et provinces du Vietnam et incluent environ 13 000 noms uniques.

* Utilisation en ligne :https://go.hyper.ai/6BfkJ

5. Nemotron-Personas-Belgium (ensemble de données humaines synthétiques belges)

Nemotron-Personas-Belgium est un ensemble de données de personnages synthétiques belges, développé par NVIDIA en collaboration avec Pleias et la KU Leuven. Il vise à refléter fidèlement la diversité et les caractéristiques de la population belge. L'ensemble contient 1,2 million d'enregistrements, chacun comprenant 6 personnages virtuels, soit environ 1,8 million de descriptions. Il couvre 581 communes belges et 3 districts administratifs, et recense environ 260 000 noms uniques. Il est disponible en quatre langues : néerlandais, français, allemand et anglais, chaque version linguistique contenant 300 000 enregistrements.

* Utilisation en ligne :https://go.hyper.ai/tvwbu

6. Ensemble de données de personnes synthétiques Nemotron-Personas-Singapour

Nemotron-Personas-Singapore est un ensemble de données de personnages synthétiques publié par NVIDIA, conçu pour refléter la population, la géographie et les traits de personnalité de Singapour. Cet ensemble contient 148 000 enregistrements, chacun comportant six profils de personnages virtuels, soit un total de 888 000 descriptions de personnages. Les données couvrent 55 districts de planification à Singapour et incluent environ 146 000 noms uniques.

* Utilisation en ligne :https://go.hyper.ai/wFJAn

7. Code de pré-entraînement Nemotron v3 : ensemble de données de pré-entraînement

Nemotron-Pretraining-Code-v3 est l'un des ensembles de données de pré-entraînement de code créés par NVIDIA pour la série Nemotron 3 de grands modèles de langage, conçus pour améliorer les capacités de compréhension, de génération, de complétion et de raisonnement du code LLM.

* Utilisation en ligne :https://go.hyper.ai/8IZbu

8. Nemotron-Personas-El-Salvador Salvador Ensemble de données humaines synthétiques

Nemotron-Personas-El Salvador est un ensemble de données synthétiques de personas salvadoriens, publié par NVIDIA. Cet ensemble de données vise à refléter fidèlement la diversité et les caractéristiques de la population du Salvador. Il contient 148 000 enregistrements, soit environ un million de descriptions de personas. Les données couvrent 14 provinces et 44 villes du Salvador et incluent environ 144 000 noms uniques.

* Utilisation en ligne :https://go.hyper.ai/44dxL

Tutoriels publics sélectionnés

1. tabfm-1.0.0-pytorch : Benchmark basé sur des tables sans exemple d'apprentissage

TabFM-1.0.0-pytorch est la version PyTorch de TabFM, publiée par Google Research en juin 2026 sur le blog de Google Research. TabFM est un modèle de classification et de régression pour les données tabulaires structurées contenant des colonnes numériques et catégorielles. Il utilise les lignes d'entraînement comme exemples contextuels et génère des prédictions en une seule propagation avant, ce qui évite le besoin d'ajuster finement les poids, de rechercher des hyperparamètres ou de réaliser une ingénierie des caractéristiques complexe pour chaque jeu de données.

Exécutez en ligne :https://go.hyper.ai/acMZd

2. ComfyUI × Wan 2.2 Flux de travail vidéo basé sur l'image

Wan 2.2 est un modèle de base open source pour la génération vidéo, développé par l'équipe Wan-AI d'Alibaba. Il repose sur une architecture innovante de type Mixture of Experts (MoE) et permet de transformer des images statiques en vidéos dynamiques lors de la conversion d'images en vidéos (I2V), avec d'excellentes performances en matière de contrôle du mouvement et de préservation du style.

Exécutez en ligne :https://go.hyper.ai/UNbdm

3. Krea-2-Raw : Modèle de graphe textural de transformateur de diffusion 12B

Krea-2 est un modèle de diffusion texte-image à grande échelle, publié par Krea.ai en juin 2026. Krea-2-Raw est le modèle pré-entraîné de base (environ 12 milliards de paramètres) de la série. Basé sur l'architecture Diffusion Transformer (DiT), il est capable de générer des images variées et de haute qualité à partir de descriptions en langage naturel. 

Exécutez en ligne :https://go.hyper.ai/NHNAD

4. VibeThinker-3B : Un modèle d'inférence vérifiable avec peu de paramètres et des performances d'inférence élevées.

Publié par l'équipe WeiboAI en juin 2026, VibeThinker-3B est un modèle de langage à petits paramètres (SLM) conçu pour les tâches de raisonnement vérifiable. Avec environ 3 milliards de paramètres, il cible principalement les scénarios de raisonnement avec des signaux de vérification explicites, tels que les mathématiques, le code et les sciences, technologies, ingénierie et mathématiques (STEM). Le modèle utilise l'architecture Qwen2ForCausalLM et prend en charge des contextes jusqu'à 128 000 jetons. Il poursuit le paradigme d'entraînement du principe « spectre-signal » de la série VibeThinker, en améliorant progressivement ses capacités de raisonnement grâce à un SFT en deux étapes basé sur un curriculum, un apprentissage par renforcement pour le raisonnement multi-domaines, une auto-distillation hors ligne et des processus d'apprentissage par renforcement Instruct.

Exécutez en ligne :https://go.hyper.ai/aO6hb

5. ViiTorVoice-NAR : un système de clonage vocal et d’édition locale non autorégressif

Le fichier modèle ViiTorVoice-NAR a été publié en juin 2026. Il s'agit d'un système de génération vocale non autorégressif pour le clonage vocal, l'édition vocale locale et le contrôle des émotions et des éléments paralinguistiques. Ce modèle abandonne le mode de génération traditionnel mot à mot, préférant compléter le dictionnaire de codes de masques au sein d'un espace de jetons audio discrets. Son noyau utilise un dictionnaire de codes DualCodec à 12 couches de 25 Hz, intégrant simultanément des caractéristiques sémantiques et acoustiques, ce qui permet une préservation précise du timbre du locuteur, une cohérence du contenu et une resynthèse locale des segments.

Exécutez en ligne :https://go.hyper.ai/HoBLS

6. CamCloneMaster : Génération de vidéos avec contrôle de mouvement de la caméra à partir d'une vidéo de référence

Le modèle CamCloneMaster a été publié en juin 2025 par une équipe de l'Université chinoise de Hong Kong, de l'Université du Zhejiang et de Kuaishou Technology. Ses principales caractéristiques et innovations comprennent un contrôle de la caméra de référence capable d'apprendre les schémas de mouvement de la caméra directement à partir de vidéos de référence sans paramètres de caméra explicites, un cadre unifié prenant en charge les modes de génération image-vidéo (I2V) et vidéo-vidéo (V2V), et une méthode d'entraînement efficace basée sur l'adaptation Wan2.1-T2V-1.3B qui ne nécessite que l'entraînement des paramètres de la couche d'auto-attention.

Exécutez en ligne :https://go.hyper.ai/qehlc

7. Guide d'utilisation de ComfyUI Workflow : Chargement et exécution en un clic des workflows officiels existants

ComfyUI est un framework open source de workflow visuel basé sur les nœuds, largement utilisé dans le domaine de la génération d'images et de vidéos. Les utilisateurs peuvent combiner des modules tels que le chargement de modèles, l'encodage de texte, l'échantillonnage et le décodage en un processus de génération complet par simple glisser-déposer et connexion, et peuvent appeler divers modèles génératifs de pointe sans écrire une seule ligne de code.

Exécutez en ligne :https://go.hyper.ai/7wesQ

Interprétation des articles communautaires

1. La prédiction de la structure de l'ARN rivalise avec AlphaFold 3 ! Une équipe de Virginia Tech propose RNAbpFlow, totalement indépendant des informations évolutives.

Une équipe de recherche de Virginia Tech a récemment proposé RNAbpFlow, un nouveau modèle de prédiction de la structure 3D de l'ARN, qui remédie à plusieurs lacunes des algorithmes de génération existants. Ce modèle ne se limite plus à l'utilisation d'alignements de séquences multiples ni à la production d'un résultat statique unique, mais s'étend aux scénarios nécessitant un échantillonnage dynamique et de haute précision, comme la génération d'un ensemble complet de conformations atomiques et la reconstruction précise de la topologie globale du repliement, à partir des seules informations de séquence nucléotidique et d'appariement des bases.

Voir le rapport complet :https://go.hyper.ai/Spbq5

Articles populaires de l'encyclopédie

1. Modèle d'action mondial (WAM)

2. Probabilité a priori

3. Flux de travail multi-agents CudaForge

4. Spécification erronée de la récompense

5. Réseau neuronal quantique

Voici des centaines de termes liés à l'IA compilés pour vous aider à comprendre « l'intelligence artificielle » ici :

https://go.hyper.ai/wiki

Voici tout le contenu de la sélection de l’éditeur de cette semaine. Si vous avez des ressources que vous souhaitez inclure sur le site officiel hyper.ai, vous êtes également invités à laisser un message ou à soumettre un article pour nous le dire !

À la semaine prochaine !