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.

Explorer : catégorie

LLM

Comparaison des modèles de langage visuel avec la reconnaissance d'images

AI ModelsAvr 24

Les modèles de vision et de langage (VLM) avancés peuvent-ils remplacer les modèles de reconnaissance d'images traditionnels ? Pour le savoir, nous avons comparé les performances de 16 modèles de pointe répartis en trois paradigmes : les CNN traditionnels (ResNet, EfficientNet), les VLM (tels que GPT-4.1, Gemini 2.5) et les API cloud (AWS, Google, Azure). La précision moyenne (mAP) a constitué notre principal indicateur de précision, complétée par la latence, le coût et les performances spécifiques à chaque classe.

LLMAvr 21

Part de marché des LLM : Comparaison de l'utilisation et de l'adoption

Nous avons analysé la part de marché des LLM en combinant données d'utilisation et estimations de visites web afin de montrer comment la demande de grands modèles de langage se répartit entre les laboratoires et applications d'IA : comparaison de la part de marché des LLM par pays. Consultez la méthodologie pour découvrir comment nous avons mesuré et calculé ces résultats.

AI ModelsAvr 15

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.

LLMAvr 15

Quantification LLM : BF16 vs FP8 vs INT4

Nous avons évalué les performances de Qwen3-32B à 4 niveaux de précision (BF16, FP8, GPTQ-Int8, GPTQ-Int4) sur un seul GPU NVIDIA H100 de 80 Go. Chaque configuration a été évaluée sur 2 benchmarks (environ 12 200 questions) couvrant la génération de connaissances et de code, ainsi que sur plus de 2 000 inférences pour mesurer le débit.

LLMJan 22

Paramètres LLM : GPT-5 Élevé, Moyen, Faible et Minimal

Les nouveaux LLM, tels que la famille OpenAI, se déclinent en différentes versions (par exemple, GPT-5, GPT-5-mini et GPT-5-nano) et avec divers paramètres : élevé, moyen, faible et minimal. Nous explorons ci-dessous les différences entre ces versions en analysant leurs performances de référence et les coûts d’exécution des tests. Rapport qualité-prix : principaux enseignements.

1 2 3 4