Modèles d'IA
Les modèles d'IA prédisent des résultats à partir de leurs données d'entraînement. Ils peuvent fonctionner dans tous les domaines, tels que les nombres, le texte ou le multimédia.
Comparaison des modèles Large Vision : GPT-4o vs YOLOv8n
Les modèles de vision à grande échelle (LVM) peuvent automatiser et améliorer des tâches visuelles telles que la détection de défauts, le diagnostic médical et la surveillance environnementale. Nous avons comparé trois modèles de détection d'objets : YOLOv8n, DETR et GPT-4oVision, sur 1 000 images chacun, en mesurant des métriques telles que le mAP@0,5, la vitesse d'inférence, les FLOP et le nombre de paramètres.
Évaluation comparative des modèles tabulaires : performances sur 19 jeux de données (2026)
Nous avons évalué les performances de 7 modèles d'apprentissage tabulaire largement utilisés sur 19 jeux de données réels, couvrant environ 260 000 échantillons et plus de 250 caractéristiques, avec des tailles de jeux de données allant de 435 à près de 49 000 lignes. Notre objectif était d'identifier les familles de modèles les plus performantes pour des jeux de données de tailles et de structures différentes (par exemple, numériques ou catégorielles) qui constituent un jeu de données d'entreprise typique.
Comparer les modèles de fondation relationnels
Nous avons comparé les performances de SAP-RPT-1-OSS à celles du gradient boosting (LightGBM, CatBoost) sur 17 jeux de données tabulaires couvrant le spectre sémantique et numérique, des tables de petite taille à forte sémantique, des jeux de données d'entreprise mixtes et de grands jeux de données numériques à faible sémantique. Notre objectif est de déterminer dans quels cas les a priori sémantiques pré-entraînés d'un LLM relationnel peuvent offrir des avantages par rapport aux modèles arborescents traditionnels et dans quels cas ils rencontrent des difficultés en cas de forte échelle ou de faible sémantique.
Modèles de fondation mondiaux : 10 cas d'utilisation
L’entraînement des robots et des véhicules autonomes (VA) dans le monde physique peut s’avérer coûteux, long et risqué. Les modèles World Foundation offrent une alternative évolutive en permettant des simulations réalistes d’environnements réels. Ces modèles accélèrent le développement et le déploiement en robotique, en VA et dans d’autres domaines en réduisant la dépendance aux essais physiques.
Modèles de base des séries temporelles : cas d'utilisation et avantages
Les modèles de base pour séries temporelles (TSFM) s'appuient sur les avancées des modèles de base issus du traitement automatique du langage naturel et de la vision par ordinateur. Grâce à des architectures basées sur les transformeurs et à des données d'entraînement à grande échelle, ils offrent des performances optimales dès le premier apprentissage et s'adaptent à divers secteurs tels que la finance, la distribution, l'énergie et la santé.