Analyses des tendances IA

Toutes les analyses publiées, des plus récentes aux plus anciennes.

Le tableau de longueur d'acceptation de la fiche du modèle : GSM8K 5.02 pour MTP, 4.36 pour DSpark, 5.46 pour DFlash 2, jusqu'à MT-Bench à 3.74, 3.01 et 4.10, au-dessus d'une définition de la longueur d'acceptation comme le nombre de tokens complétés divisé par le nombre d'étapes de vérification.

DFlash 2 : un drafter à 3.43× qui retombe à 1.45× en charge

Le drafter à diffusion par blocs d'Inco AI atteint 3.43× sur GSM8K en requête unique, 1.45× à concurrency 32. Voici le prix en mémoire et en variance.

Diagramme de la boucle de décision de jev-ultrafast : l'état de la page devient une table indexée d'éléments, une requête typée renvoie une opération et sa cible, et un petit modèle de langage n'est appelé que pour TYPE_TEXT avant que l'exécuteur agisse.

Jev Ultrafast : l'agent qui a arrêté d'écrire du texte

jev-ultrafast de browser-use boucle une recherche Google Flights en 7,1 secondes en remplaçant la boucle agent par une décision typée par cycle. Voici le piège.

Le tableau « Measured on M3 Max » du README de laya-coreml : MLX FP16 compilé à 6.94/7.39 ms et 0.4288 J par décision, Core ML ANE FP16 à 4.98/5.31 ms et 0.1540 J, Core ML ANE W8 à 4.88/5.23 ms et 0.1344 J, sur 65,598 appels stables.

Laya sur le Neural Engine : 4.98 ms et 0.154 J par décision

Le portage Core ML de mizorewww exécute une décision typée Laya en 4.98 ms et 0.154 J sur M3 Max. Ce que prouvent les tests de parité, et ce qu'ils ne prouvent pas.

Graphique à barres et tableau intitulés Évaluation sur 324 exemples réservés : Jev 1.13.0 à 93.21 pour cent, Bespoke-Nimble-9B à 90.12 pour cent, Qwen3.8-27B à 84.88 pour cent, et le modèle de base Qwen3.5-9B non affiné à 66.36 pour cent.

Nimble : 2,676 exemples pour arriver à trois points de Jev

Bespoke Labs a affiné Qwen3.5-9B sur 2,676 exemples synthétiques : 90.12% contre 93.21% pour Jev, une évaluation qui ne couvre que six domaines entraînés sur dix.