Pour aider les utilisateurs à prendre rapidement en main DeepTutor et à l'appliquer à des situations d'apprentissage concrètes, le site web officiel d'HyperAI (hyper.ai) a lancé un « Assistant d'apprentissage personnel DeepTutor » dans sa section tutoriels. L'environnement étant déjà configuré, la prise en main est simplifiée.

L’Institut Pasteur a développé trois modèles : ALBERT_DF, ESM_DF et GeneCLR_DF, pour permettre la prédiction à grande échelle de la fonction des antiphages.

HyperAl a compilé une série de tutoriels et d'ensembles de données très précieux et largement applicables de la version 4.06 à 4.10, couvrant de multiples domaines tels que la génération de parole, le traitement de texte en image et les modèles à grande échelle.

Une équipe de recherche de l'Université Cornell a proposé EMSeek, une plateforme multi-agents modulaire dotée de capacités de traçage de sources. Les résultats d'évaluation sur 20 systèmes de matériaux et cinq catégories de tâches montrent qu'elle atteint une vitesse environ deux fois supérieure et une précision accrue par rapport à Segment Anything pour les tâches de segmentation. De plus, avec un étalonnage utilisant seulement 21 données étiquetées TP3T, elle égale, voire surpasse, les performances de modèles mono-expert performants sur trois jeux de données de prédiction de propriétés hors distribution. Une requête complète ne prend que 2 à 5 minutes par image, soit environ 50 fois plus rapide qu'un flux de travail réalisé par un expert.

La section tutoriels du site officiel d'HyperAI (hyper.ai) a lancé le « déploiement en un clic de Gemma-4-31B-it » pour aider les développeurs à découvrir des modèles avancés avec de faibles barrières à l'entrée.

HyperAl a compilé une série de tutoriels et d'ensembles de données très précieux et largement applicables de la version 3.30 à 4.05, couvrant de multiples domaines tels que la génération de parole, le traitement de texte en image et les modèles à grande échelle.

Des chercheurs du MIT ont proposé le modèle de diffusion DRiffusion, une version améliorée qui combine les avantages des méthodes systémiques et mathématiques pour obtenir une accélération significative sans compromettre la qualité de la génération. Ce modèle offre une solution novatrice pour concilier haute fidélité et efficacité d'échantillonnage dans les modèles de diffusion.

La section tutoriels du site web HyperAI (hyper.ai) propose désormais le déploiement en un clic de Qwen3.5-27B-Claude-4.6-Opus-Reasoning-Distilled. Découvrez ce modèle d'inférence haute performance !

Une équipe de recherche du MIT a proposé DefectNet, un modèle d'apprentissage automatique fondamental capable de prédire directement les types chimiques et les concentrations de défauts ponctuels de substitution à partir de spectres vibrationnels, même en présence de plusieurs éléments. Ce modèle présente une bonne capacité de généralisation sur des cristaux inconnus contenant 56 éléments et peut être affiné grâce à des données expérimentales.

L'Université des sciences et technologies de Huazhong et le laboratoire Xiaohongshu hi ont conjointement mis en open source l'outil d'analyse de documents multimodaux dots.mocr, qui surmonte les limitations de l'OCR traditionnel et réalise un traitement structuré unifié du texte, des graphiques, des tableaux et d'autres éléments dans des documents complexes, et prend en charge la conversion de code SVG.

Une équipe de recherche de l'Université de Warwick a proposé RAVEN, un nouveau processus de sélection et de validation des candidats TESS. Ce processus utilise un jeu de données d'entraînement synthétiques, s'affranchissant ainsi de la seule dépendance aux données de dépassement de seuil (TCE) générées par la tâche elle-même. Cette amélioration élargit et enrichit considérablement l'espace des paramètres des scénarios planétaires et de faux positifs couverts par le modèle d'apprentissage automatique. Sur un jeu de test externe indépendant contenant 1 361 candidats TESS pré-classés, le processus a atteint une précision globale de 91%, démontrant son efficacité pour le classement automatique des candidats TESS.

Une équipe de recherche du MIT et de l'Université Carnegie Mellon a proposé VibeGen, un modèle d'agent intelligent générateur de protéines qui permet la conception de novo de protéines en combinant la génération de séquences et la prédiction de la dynamique vibrationnelle. Les résultats montrent que les protéines conçues par cet agent génératif peuvent non seulement se replier en structures stables et inédites, mais aussi reproduire les caractéristiques de distribution des amplitudes vibrationnelles cibles au niveau de la chaîne principale.

HyperAI a compilé une collection d'ensembles de données d'inférence de haute qualité, couvrant l'inférence multi-domaines et multi-tâches, les données d'entraînement à l'inférence synthétique, les bancs d'essai de recherche scientifique et les données de questions-réponses à grande échelle, et prend en charge le téléchargement ou l'utilisation en ligne de ces ensembles de données.

Des chercheurs du MIT ont proposé une nouvelle méthode, Wave-Former, permettant la reconstruction 3D de haute précision d'objets du quotidien variés, même totalement occultés. Cette méthode relève les défis posés par les rapports signal/bruit élevés et les fortes occlusions, et assure une reconstruction fidèle en environnement réel grâce à un apprentissage sur données synthétiques via un cadre innovant d'entraînement à la perception physique. Comparée aux méthodes de référence les plus performantes, Wave-Former améliore le rappel de 541 TP3T à 721 TP3T tout en conservant une précision élevée de 851 TP3T.

Lors de la GTC 2026, NVIDIA a lancé trois projets open source : NVIDIA Isaac GR00T, Kimodo et SOMA-X. Ces projets abordent le même problème à trois niveaux : la prise de décision, la génération et la représentation, afin de permettre aux machines d’effectuer des actions complexes de manière plus naturelle et efficace. NVIDIA a également publié FDFO, une méthode d’entraînement pour les modèles de diffusion, qui fournit un support sous-jacent à ces fonctionnalités dans le cadre de l’optimisation des modèles génératifs.

Une équipe de recherche de l'Université du Minnesota Twin Cities a mis au point un modèle d'apprentissage automatique novateur, guidé par les connaissances, dont la structure algorithmique s'inspire directement des sciences hydrologiques et qui est appelé réseau neuronal hiérarchique factorisé (FHNN). L'étude montre que, sur une période de 2 à 7 jours après la publication des prévisions, le modèle est aussi performant, voire plus performant, que les prévisions d'inondations du Service météorologique national américain (National Weather Service) et surpasse les méthodes d'apprentissage automatique classiques qui n'intègrent pas de connaissances en sciences physiques.

Une équipe de recherche conjointe de NVIDIA, de l'Université d'Oxford, de l'Institut québécois d'intelligence artificielle et d'autres institutions a proposé le cadre Proteína-Complexa, qui vise à combler le fossé entre les méthodes génératives et illusionnistes. Ce cadre unifie le modèle génératif de base et le mécanisme d'optimisation au moment de l'inférence au sein d'un même système, permettant ainsi la conception optimale de liants de novo sans nécessiter d'étapes supplémentaires de reconception de la séquence.

Pour aider les développeurs à découvrir les capacités d'OpenClaw dans des applications réelles, HyperAI a lancé « 🦞 OpenClaw : Exécution à l'aide de l'API via Free-CPU » et « 🦞 Tutoriel d'exécution GPU d'OpenClaw », intégrant OpenClaw dans diverses applications sociales pour réaliser un large éventail de tâches automatisées.

Le projet open source LLM Course a suscité un vif intérêt depuis son lancement, récoltant à ce jour 77 000 étoiles. Il réorganise les connaissances dispersées dans des articles, des blogs et des exemples de code en un système d'apprentissage structuré et clair. HyperAI a mis en ligne la démonstration Notebook de LLM Course dans sa section « Tutoriels », avec tous les environnements d'exécution entièrement configurés et prêts à l'emploi.

Google Research a publié Groundsource, un jeu de données open source sur les inondations, qui extrait des informations de terrain validées à partir de données non structurées afin de cartographier l'impact des catastrophes historiques avec une précision sans précédent. Les chercheurs ont automatisé le traitement de plus de 5 millions d'articles de presse provenant de plus de 150 pays, compilant ainsi plus de 2,6 millions d'enregistrements d'inondations historiques. Ce jeu de données offre une ampleur et une couverture inégalées pour la recherche mondiale sur les inondations.

Jensen Huang a donné une présentation passionnée de deux heures lors de la GTC 2026, dévoilant une série de nouveaux produits et de réalisations open source.

Une équipe de recherche conjointe de l'Université Carnegie Mellon, de l'Université de Wrocław (Pologne) et de l'Université de Floride a proposé AQuaRef, une méthode d'affinement quantique pilotée par l'intelligence artificielle. Cette méthode repose sur l'apprentissage automatique AIMNet2 des fonctions de potentiel atomique et a été spécifiquement entraînée pour les tâches d'affinement. Tout en conservant une efficacité de calcul des champs de force proche de celle des méthodes classiques, elle permet d'approcher avec précision les résultats des calculs de mécanique quantique, ouvrant ainsi une nouvelle voie technique pour l'affinement quantique à l'échelle atomique des biomolécules.

HyperAl a compilé une série de tutoriels et d'ensembles de données très précieux et largement applicables, du 9 au 13 mars, couvrant de multiples domaines tels que la génération de parole, le traitement de texte en image et les modèles à grande échelle.

Une équipe de recherche de l'université de Stanford a proposé Merlin, le premier modèle de langage visuel 3D natif pour les tomodensitométries abdominales, ainsi qu'un ensemble de données contenant 25 494 paires de tomodensitométries abdominales et de rapports de radiologie.

L’Université chinoise de Hong Kong, en collaboration avec l’Université polytechnique de Macao, l’Université du Zhejiang, le deuxième hôpital Xiangya de l’Université centrale du Sud et l’Université des sciences et technologies électroniques de Chine, a proposé un paradigme de modélisation par fusion sélective. Partant du principe que « la variation chimique est une perturbation locale de l’espace sémantique biologique », ils ont conçu un cadre général, Bi-TEAM, permettant d’intégrer la variation chimique locale dans le contexte protéique global.

La section « Tutoriels » d'HyperAI propose désormais des tutoriels en ligne pour exécuter des modèles open source populaires tels que Qwen, DeepSeek, Gemma, Llama et GLM sur des processeurs gratuits. Ces tutoriels couvrent l'ensemble du processus de déploiement, de la préparation de l'environnement au téléchargement du modèle, en passant par l'inférence et l'exécution. Ainsi, les utilisateurs peuvent se familiariser avec l'inférence de modèles et réaliser des tests de développement de base sans avoir à déployer un environnement local complexe.

Des chercheurs de l'École polytechnique fédérale de Lausanne (EPFL) ont proposé une nouvelle architecture de modèle, DYNAMI-CAL GraphNet, qui garantit explicitement la conservation de la quantité de mouvement linéaire et du moment cinétique en intégrant directement ces lois dans la structure du modèle. Les résultats expérimentaux démontrent que DYNAMI-CAL GraphNet offre des avantages significatifs dans les domaines exigeant une modélisation précise, interprétable et en temps réel de systèmes dynamiques multicorps complexes, tels que la robotique, l'aérospatiale et la science des matériaux.

Afin d'améliorer encore l'expérience utilisateur et les fonctionnalités clés d'HyperAI, nous lançons officiellement une nouvelle phase de tests internes. Nous souhaitons inviter un groupe restreint d'utilisateurs réels à découvrir les capacités de la plateforme et à contribuer à l'amélioration du produit. 💻 Si vous avez des besoins à long terme en plateformes cloud et en puissance de calcul GPU, 🙋‍♀️ si vous possédez une formation technique [...]

La démo « Qwen3-TTS : Synthèse vocale multilingue contrôlable de haute qualité » est désormais disponible dans la section « Tutoriels » du site web d’HyperAI (hyper.ai). Venez découvrir la synthèse vocale en 3 secondes !

Une équipe de recherche de Telecom Sud-Paris et de l'Université Paris-Saclay en France a proposé un cadre d'apprentissage automatique qui intègre l'apprentissage d'ensemble avec l'analyse SHAple Additive exPlanations (SHAP), offrant une nouvelle solution pour évaluer le risque de mortalité des candidats à la transplantation hépatique pour carcinome hépatocellulaire.

Pour aider les utilisateurs à prendre rapidement en main DeepTutor et à l'appliquer à des situations d'apprentissage concrètes, le site web officiel d'HyperAI (hyper.ai) a lancé un « Assistant d'apprentissage personnel DeepTutor » dans sa section tutoriels. L'environnement étant déjà configuré, la prise en main est simplifiée.

L’Institut Pasteur a développé trois modèles : ALBERT_DF, ESM_DF et GeneCLR_DF, pour permettre la prédiction à grande échelle de la fonction des antiphages.

HyperAl a compilé une série de tutoriels et d'ensembles de données très précieux et largement applicables de la version 4.06 à 4.10, couvrant de multiples domaines tels que la génération de parole, le traitement de texte en image et les modèles à grande échelle.

Une équipe de recherche de l'Université Cornell a proposé EMSeek, une plateforme multi-agents modulaire dotée de capacités de traçage de sources. Les résultats d'évaluation sur 20 systèmes de matériaux et cinq catégories de tâches montrent qu'elle atteint une vitesse environ deux fois supérieure et une précision accrue par rapport à Segment Anything pour les tâches de segmentation. De plus, avec un étalonnage utilisant seulement 21 données étiquetées TP3T, elle égale, voire surpasse, les performances de modèles mono-expert performants sur trois jeux de données de prédiction de propriétés hors distribution. Une requête complète ne prend que 2 à 5 minutes par image, soit environ 50 fois plus rapide qu'un flux de travail réalisé par un expert.

La section tutoriels du site officiel d'HyperAI (hyper.ai) a lancé le « déploiement en un clic de Gemma-4-31B-it » pour aider les développeurs à découvrir des modèles avancés avec de faibles barrières à l'entrée.

HyperAl a compilé une série de tutoriels et d'ensembles de données très précieux et largement applicables de la version 3.30 à 4.05, couvrant de multiples domaines tels que la génération de parole, le traitement de texte en image et les modèles à grande échelle.

Des chercheurs du MIT ont proposé le modèle de diffusion DRiffusion, une version améliorée qui combine les avantages des méthodes systémiques et mathématiques pour obtenir une accélération significative sans compromettre la qualité de la génération. Ce modèle offre une solution novatrice pour concilier haute fidélité et efficacité d'échantillonnage dans les modèles de diffusion.

La section tutoriels du site web HyperAI (hyper.ai) propose désormais le déploiement en un clic de Qwen3.5-27B-Claude-4.6-Opus-Reasoning-Distilled. Découvrez ce modèle d'inférence haute performance !

Une équipe de recherche du MIT a proposé DefectNet, un modèle d'apprentissage automatique fondamental capable de prédire directement les types chimiques et les concentrations de défauts ponctuels de substitution à partir de spectres vibrationnels, même en présence de plusieurs éléments. Ce modèle présente une bonne capacité de généralisation sur des cristaux inconnus contenant 56 éléments et peut être affiné grâce à des données expérimentales.

L'Université des sciences et technologies de Huazhong et le laboratoire Xiaohongshu hi ont conjointement mis en open source l'outil d'analyse de documents multimodaux dots.mocr, qui surmonte les limitations de l'OCR traditionnel et réalise un traitement structuré unifié du texte, des graphiques, des tableaux et d'autres éléments dans des documents complexes, et prend en charge la conversion de code SVG.

Une équipe de recherche de l'Université de Warwick a proposé RAVEN, un nouveau processus de sélection et de validation des candidats TESS. Ce processus utilise un jeu de données d'entraînement synthétiques, s'affranchissant ainsi de la seule dépendance aux données de dépassement de seuil (TCE) générées par la tâche elle-même. Cette amélioration élargit et enrichit considérablement l'espace des paramètres des scénarios planétaires et de faux positifs couverts par le modèle d'apprentissage automatique. Sur un jeu de test externe indépendant contenant 1 361 candidats TESS pré-classés, le processus a atteint une précision globale de 91%, démontrant son efficacité pour le classement automatique des candidats TESS.

Une équipe de recherche du MIT et de l'Université Carnegie Mellon a proposé VibeGen, un modèle d'agent intelligent générateur de protéines qui permet la conception de novo de protéines en combinant la génération de séquences et la prédiction de la dynamique vibrationnelle. Les résultats montrent que les protéines conçues par cet agent génératif peuvent non seulement se replier en structures stables et inédites, mais aussi reproduire les caractéristiques de distribution des amplitudes vibrationnelles cibles au niveau de la chaîne principale.

HyperAI a compilé une collection d'ensembles de données d'inférence de haute qualité, couvrant l'inférence multi-domaines et multi-tâches, les données d'entraînement à l'inférence synthétique, les bancs d'essai de recherche scientifique et les données de questions-réponses à grande échelle, et prend en charge le téléchargement ou l'utilisation en ligne de ces ensembles de données.

Des chercheurs du MIT ont proposé une nouvelle méthode, Wave-Former, permettant la reconstruction 3D de haute précision d'objets du quotidien variés, même totalement occultés. Cette méthode relève les défis posés par les rapports signal/bruit élevés et les fortes occlusions, et assure une reconstruction fidèle en environnement réel grâce à un apprentissage sur données synthétiques via un cadre innovant d'entraînement à la perception physique. Comparée aux méthodes de référence les plus performantes, Wave-Former améliore le rappel de 541 TP3T à 721 TP3T tout en conservant une précision élevée de 851 TP3T.

Lors de la GTC 2026, NVIDIA a lancé trois projets open source : NVIDIA Isaac GR00T, Kimodo et SOMA-X. Ces projets abordent le même problème à trois niveaux : la prise de décision, la génération et la représentation, afin de permettre aux machines d’effectuer des actions complexes de manière plus naturelle et efficace. NVIDIA a également publié FDFO, une méthode d’entraînement pour les modèles de diffusion, qui fournit un support sous-jacent à ces fonctionnalités dans le cadre de l’optimisation des modèles génératifs.

Une équipe de recherche de l'Université du Minnesota Twin Cities a mis au point un modèle d'apprentissage automatique novateur, guidé par les connaissances, dont la structure algorithmique s'inspire directement des sciences hydrologiques et qui est appelé réseau neuronal hiérarchique factorisé (FHNN). L'étude montre que, sur une période de 2 à 7 jours après la publication des prévisions, le modèle est aussi performant, voire plus performant, que les prévisions d'inondations du Service météorologique national américain (National Weather Service) et surpasse les méthodes d'apprentissage automatique classiques qui n'intègrent pas de connaissances en sciences physiques.

Une équipe de recherche conjointe de NVIDIA, de l'Université d'Oxford, de l'Institut québécois d'intelligence artificielle et d'autres institutions a proposé le cadre Proteína-Complexa, qui vise à combler le fossé entre les méthodes génératives et illusionnistes. Ce cadre unifie le modèle génératif de base et le mécanisme d'optimisation au moment de l'inférence au sein d'un même système, permettant ainsi la conception optimale de liants de novo sans nécessiter d'étapes supplémentaires de reconception de la séquence.

Pour aider les développeurs à découvrir les capacités d'OpenClaw dans des applications réelles, HyperAI a lancé « 🦞 OpenClaw : Exécution à l'aide de l'API via Free-CPU » et « 🦞 Tutoriel d'exécution GPU d'OpenClaw », intégrant OpenClaw dans diverses applications sociales pour réaliser un large éventail de tâches automatisées.

Le projet open source LLM Course a suscité un vif intérêt depuis son lancement, récoltant à ce jour 77 000 étoiles. Il réorganise les connaissances dispersées dans des articles, des blogs et des exemples de code en un système d'apprentissage structuré et clair. HyperAI a mis en ligne la démonstration Notebook de LLM Course dans sa section « Tutoriels », avec tous les environnements d'exécution entièrement configurés et prêts à l'emploi.

Google Research a publié Groundsource, un jeu de données open source sur les inondations, qui extrait des informations de terrain validées à partir de données non structurées afin de cartographier l'impact des catastrophes historiques avec une précision sans précédent. Les chercheurs ont automatisé le traitement de plus de 5 millions d'articles de presse provenant de plus de 150 pays, compilant ainsi plus de 2,6 millions d'enregistrements d'inondations historiques. Ce jeu de données offre une ampleur et une couverture inégalées pour la recherche mondiale sur les inondations.

Jensen Huang a donné une présentation passionnée de deux heures lors de la GTC 2026, dévoilant une série de nouveaux produits et de réalisations open source.

Une équipe de recherche conjointe de l'Université Carnegie Mellon, de l'Université de Wrocław (Pologne) et de l'Université de Floride a proposé AQuaRef, une méthode d'affinement quantique pilotée par l'intelligence artificielle. Cette méthode repose sur l'apprentissage automatique AIMNet2 des fonctions de potentiel atomique et a été spécifiquement entraînée pour les tâches d'affinement. Tout en conservant une efficacité de calcul des champs de force proche de celle des méthodes classiques, elle permet d'approcher avec précision les résultats des calculs de mécanique quantique, ouvrant ainsi une nouvelle voie technique pour l'affinement quantique à l'échelle atomique des biomolécules.

HyperAl a compilé une série de tutoriels et d'ensembles de données très précieux et largement applicables, du 9 au 13 mars, couvrant de multiples domaines tels que la génération de parole, le traitement de texte en image et les modèles à grande échelle.

Une équipe de recherche de l'université de Stanford a proposé Merlin, le premier modèle de langage visuel 3D natif pour les tomodensitométries abdominales, ainsi qu'un ensemble de données contenant 25 494 paires de tomodensitométries abdominales et de rapports de radiologie.

L’Université chinoise de Hong Kong, en collaboration avec l’Université polytechnique de Macao, l’Université du Zhejiang, le deuxième hôpital Xiangya de l’Université centrale du Sud et l’Université des sciences et technologies électroniques de Chine, a proposé un paradigme de modélisation par fusion sélective. Partant du principe que « la variation chimique est une perturbation locale de l’espace sémantique biologique », ils ont conçu un cadre général, Bi-TEAM, permettant d’intégrer la variation chimique locale dans le contexte protéique global.

La section « Tutoriels » d'HyperAI propose désormais des tutoriels en ligne pour exécuter des modèles open source populaires tels que Qwen, DeepSeek, Gemma, Llama et GLM sur des processeurs gratuits. Ces tutoriels couvrent l'ensemble du processus de déploiement, de la préparation de l'environnement au téléchargement du modèle, en passant par l'inférence et l'exécution. Ainsi, les utilisateurs peuvent se familiariser avec l'inférence de modèles et réaliser des tests de développement de base sans avoir à déployer un environnement local complexe.

Des chercheurs de l'École polytechnique fédérale de Lausanne (EPFL) ont proposé une nouvelle architecture de modèle, DYNAMI-CAL GraphNet, qui garantit explicitement la conservation de la quantité de mouvement linéaire et du moment cinétique en intégrant directement ces lois dans la structure du modèle. Les résultats expérimentaux démontrent que DYNAMI-CAL GraphNet offre des avantages significatifs dans les domaines exigeant une modélisation précise, interprétable et en temps réel de systèmes dynamiques multicorps complexes, tels que la robotique, l'aérospatiale et la science des matériaux.

Afin d'améliorer encore l'expérience utilisateur et les fonctionnalités clés d'HyperAI, nous lançons officiellement une nouvelle phase de tests internes. Nous souhaitons inviter un groupe restreint d'utilisateurs réels à découvrir les capacités de la plateforme et à contribuer à l'amélioration du produit. 💻 Si vous avez des besoins à long terme en plateformes cloud et en puissance de calcul GPU, 🙋‍♀️ si vous possédez une formation technique [...]

La démo « Qwen3-TTS : Synthèse vocale multilingue contrôlable de haute qualité » est désormais disponible dans la section « Tutoriels » du site web d’HyperAI (hyper.ai). Venez découvrir la synthèse vocale en 3 secondes !

Une équipe de recherche de Telecom Sud-Paris et de l'Université Paris-Saclay en France a proposé un cadre d'apprentissage automatique qui intègre l'apprentissage d'ensemble avec l'analyse SHAple Additive exPlanations (SHAP), offrant une nouvelle solution pour évaluer le risque de mortalité des candidats à la transplantation hépatique pour carcinome hépatocellulaire.