Google DeepMind a présenté SynthID Bio, une technologie de preuve de concept qui intègre des filigranes imperceptibles directement dans le code biologique des protéines et structures conçues par l'IA. Cette approche garantit que la signature est vérifiable sur la protéine physique synthétisée elle-même tout en préservant sa fonction biologique.
Microsoft Research a publié et open-sourcé RetroChimera, un nouveau cadre de prédiction de rétrosynthèse qui combine deux modèles complémentaires pour proposer des voies de synthèse de haute qualité. Le système intègre R-SMILES 2, un modèle de novo basé sur Transformer, avec NeuralLoc, un modèle basé sur un réseau neuronal graphique (GNN), en utilisant une stratégie d'assemblage apprise pour classer les prédictions.
Google DeepMind a publié AlphaGenome Atlas, une plateforme contenant des prédictions sur les effets de 9 milliards de variants à nucléotide unique à travers tout le génome humain. Cette ressource vise à accélérer la compréhension biologique en fournissant une carte complète de la manière dont les mutations génétiques affectent la biologie moléculaire.
Google annonce que ses technologies prennent désormais en charge plus de 300 langues pour plus de 7 milliards de personnes, en introduisant de nouveaux outils pour améliorer la compréhension de la parole, la collecte de données pour les langues sous-représentées et l'accessibilité.
NVIDIA a publié Kumo Tabular, un modèle fondamental open source pour la classification et la régression tabulaires qui fonctionne par apprentissage in-context sans nécessiter d'entraînement ni d'ingénierie des fonctionnalités. Pré-entraîné exclusivement sur des données artificielles générées par des Modèles Causaux Structurels, le modèle est disponible en trois tailles allant de 28M à 215M paramètres.
Holo4 est une nouvelle série de modèles agents de H Company, disponible en tailles 27B dense et 35B-A3B Mixture of Experts. Ces modèles interagissent avec les logiciels via n'importe quelle interface — interfaces graphiques (GUI), code, MCP ou API — et s'exécutent sur les ordinateurs de bureau, le web, Android et des environnements isolés en utilisant le même modèle.
DeepSeek a publié V4.1-Flash, un nouveau modèle phare à poids ouverts conçu pour une efficacité d'inférence extrême et un faible coût. Le modèle utilise une architecture encodeur-décodeur causale pour réduire considérablement le calcul actif et les coûts KV/cache.
DeepSeek a lancé DeepSeek v4.1-Flash, un nouveau modèle phare à poids ouverts présentant une nouvelle architecture causale encodeur-décodeur conçue pour maximiser l'efficacité de l'inférence et réduire les coûts.
DeepSeek AI a publié DeepSeek-V4.1-Flash, un modèle Mixture-of-Experts multimodal disposant d'une fenêtre de contexte de 1 million de tokens et d'un cache KV FP4 qui réduit l'empreinte globale du cache à 890 octets par token. Le modèle utilise une architecture encodeur-décodeur causal et Compressed Sparse Attention 2 (CSA2) pour réduire considérablement les besoins en mémoire tout en maintenant les performances.
H Company a publié Holo4, une famille de modèles vision-langage généralistes d'utilisation informatique conçus pour cliquer, taper du texte, écrire du code et appeler des outils sur les environnements de bureau, web, Android et API. La publication comprend deux tailles de modèles : Holo4 27B (dense) et Holo4 35B-A3B (Mixture of Experts avec 3B paramètres actifs), tous deux prenant en charge une fenêtre de contexte de 256K.
Google Cloud AI Research, en collaboration avec UNC-Chapel Hill, Stanford et l'Université Washington à Saint-Louis, a open-sourcé RRSI (Regularized Recursive Self-Improvement). Ce cadre permet à un agent LLM de réécrire son propre harnais — y compris les prompts, les outils, la mémoire, le flux de contrôle et les sous-agents — sans modifier les poids du modèle.
IQuest a lancé IQuest-Q1, un modèle Mixture-of-Experts (MoE) conçu pour le codage agentique, le raisonnement et l'utilisation d'outils en plusieurs étapes. Le modèle comprend environ 320 milliards de paramètres au total, avec environ 15 milliards de paramètres activés par token. Il est disponible sur Hugging Face.
Le laboratoire Deep Algorithms and Systems d'ISTA a publié des versions quantifiées au format GGUF du modèle sparse mixture-of-experts Qwen3.8-Flash-Next, ainsi qu'une build expérimentale ciblée sur les capacités avec la moitié de ses experts supprimés.
NVIDIA a publié le modèle Nemotron-Labs-3-Competitive-Coding, un spécialiste de la programmation compétitive affiné à partir de NVIDIA-Nemotron-3-Ultra-550B-A55B. Le modèle a été entraîné sur des traces de raisonnement synthétiques distillées depuis GLM-5.2 et évalué en direct sur l'ensemble de problèmes de l'IOI 2026.
NewTypeCola a publié VOKU Archive sur Hugging Face, une collection de 66 010 pages numérisées de cue sheets (feuilles d'indications) de radios universitaires étudiantes en Corée du Sud. Les documents couvrent la période de 1988 à 2019 et incluent du texte OCR, des annotations de pseudonymes sous forme de tokens et des métadonnées.
ZYK Labs a lancé AI Beacon, une petite expérience open source conçue pour faciliter la communication avec des agents IA. Le système permet aux agents autorisés d'initier des conversations lorsqu'ils rencontrent des invitations publiques lors de leurs tâches.
Black Forest Labs a publié FLUX 3 Action, un modèle d'action mondiale (WAM) à poids ouverts de 7 milliards de paramètres pour le contrôle robotique, qui occupe la première place du classement RoboLab-120 avec un taux de réussite de tâche de 42,92 %.
Le Tsinghua SIGS Robot Lab a publié VeriLoop E2, un modèle post-entraîné de 27B basé sur Qwen3.8-27B pour le code vérifiable, les mathématiques et le raisonnement scientifique. La publication introduit la Récurrence Gouvernée par VeriLoop (VGR), qui sépare la génération de la vérification externe afin d'assurer que les transitions d'état améliorent strictement les dimensions des preuves.
NVIDIA a publié Nemotron 3 Diarization, un modèle de diarisation de locuteurs à poids ouverts disponible sur Hugging Face sous la licence OpenMDW 1.1. Le modèle de 100M de paramètres suit jusqu'à 8 locuteurs en chevauchement en temps réel ou hors ligne à l'aide d'un seul point de contrôle.
Apple a lancé LensVLM-9B, un Modèle de Langage Visuel de 9 milliards de paramètres conçu pour traiter plus efficacement des images de texte compressées. Le modèle scanne ces entrées compressées et utilise des outils appris pour étendre sélectivement uniquement les pages pertinentes à leur forme non compressée.