Vision

Modèle 763B effectivement disponible avec nouvelle architecture encodeur-décodeur, vision native et benchmarks indépendants confirmant des performances supérieures à V4 Pro.

WildMAE étend le MAE côté décodeur avec un raffinement convolutionnel local et une cross-attention masqué-visible, et dépasse le MAE standard sur des images de pièges photographiques Snapshot Serengeti.

Un CNN compact classe les feuilles de pomme de terre en trois catégories : 98,66 % de précision sur PlantVillage, 90,28 % sur des images de terrain collectées en Éthiopie.

HnS, une méthode d'attribution par concepts, mesure l'effet du masquage d'un concept sur la sortie d'un modèle, sans accès aux poids ni jeu de données annoté en concepts.

FreeMatching combine représentations génératives et sémantiques pour établir des correspondances denses préservant l'identité visuelle dans l'édition d'images et la génération guidée par référence.

Un cadre théorique allège les hypothèses nécessaires au causal representation learning et l'applique à l'estimation d'état robotique à partir d'images.

Un nouveau benchmark teste la capacité des modèles à transformer des vidéos en programmes graphiques reproduisant des dynamiques physiques complexes.

Roboflow affirme que le modèle « GPT-6 Astra » surpasse tous les modèles de vision évalués jusqu'ici dans ses benchmarks internes.

DeepSeek lance une nouvelle architecture causale hybride 763B-P8B-D16B avec vision, remplaçant V4 Pro.

Un nouveau modèle multimodal expérimental optimisé pour la vision rapide et le traitement dense.

DeepSeek publie une API pour un nouveau modèle multimodal, DeepSeek-V4-Flash-Vision-Exp, optimisé pour la vitesse.

Roboflow affirme que GPT-5.6 Sol surpasse tous les modèles vision précédents d'OpenAI sur ses tests de perception visuelle.

Mistral dévoile Mistral OCR 4.1, un modèle dédié à la reconnaissance optique de caractères.

Le laboratoire chinois ajoute un modèle spécialisé en OCR à sa gamme, disponible sur Hugging Face.

Un simulateur GPU multi-agents rend les vues caméra de chaque agent en temps réel, permettant d'entraîner des politiques de conduite sans observations privilégiées.

NVIDIA montre comment des agents de codage automatisés accélèrent l'adaptation de modèles de raisonnement visuel pour la production vidéo.

Des chercheurs de l'EPFL utilisent l'IA générative pour créer des stimuli visuels optimisés capables d'activer au maximum une zone précise du cerveau.

Zhipu AI présente GLM-5V-Turbo, un modèle multimodal conçu nativement pour les agents IA, combinant perception visuelle et capacités d'action.

Facebook Research propose TUNA-2, une architecture qui remplace les vision encoders classiques par des pixel embeddings pour des tâches visuelles unifiées.

Le modèle multimodal léger Kimi-VL-A3B débarque avec des poids ouverts.

Un nouveau modèle vision-langage de 3 milliards de paramètres, optimisé pour l'instruction et disponible en open-weights.