# Radar IA — contenu complet (14 octobre 2026) > Chaque matin, les modèles, datasets et Spaces qui comptent sur Hugging Face : classements avec Score Radar, fiches techniques et articles pour faire tourner l'IA en local, traiter des documents, bâtir des agents. # Radar IA > Chaque matin, les modèles, datasets et Spaces qui comptent sur Hugging Face : classements avec Score Radar, fiches techniques et articles pour faire tourner l'IA en local, traiter des documents, bâtir des agents. ## Édition du 14 octobre 2026 — MiniCPM-V 4.7 se met à jour, l'audio et la décision reviennent - ⭐ MiniCPM-V 4.7 (35 B, 3 B actifs) mis à jour il y a 2 h : OCR, parsing PDF, appel d'outils, GGUF/FP8/int4, Apache 2.0 — le vision-document MoE monte au rang 21 (vu le 13/10, mais la fiche a changé). - ⭐ L'audio entre au classement : pyannote speaker-diarization-community-1 (CC-BY-4.0, 5,4 M téléch.) arrive au rang 33 avec la 3.1 ; côté Spaces, Paradee (TTS de 8 M de paramètres) ; côté données, 2 M de phrases turques synthétiques pour l'ASR. - ⭐ La décision typée se muscle : JEV-27B-VL (3,8 k likes, 1,55 M téléch.) mis à jour il y a 17 h avec une démo recherche/reco, JEV-35B et pplx-decider rafraîchis ; Youtu-Parsing-Omni (Tencent, 5 B) publie poids + plugin vLLM pour le parsing documentaire en JSON. **Tendance de fond.** Les rangs 31-60 sont saturés de dérivés « uncensored / abliterated » de Qwen3.8 et GLM-5.3 (8 des 30 entrées : huihui-ai, HauhauCS, SC117, JonathanColetti, dealignai, Infatoshi, alesha-pro, Mia-AiLab), tous en GGUF ou EXL3 : la communauté de quantisation devient le premier canal de diffusion des gros modèles chinois vers le PC. Deuxième signal : le format MoE « A3B » (3-4 B actifs) s'impose comme standard du local — MiniCPM-V 4.7 35B-A3B, Xing4.0 29B-A4B, JEV-35B, Mellum 12B-A2.5B — avec des GGUF officiels le jour J. Enfin, l'audio refait surface (pyannote, Paradee, corpus turc) après deux semaines dominées par l'image et la décision. ## Derniers articles - [pyannote community-1 : la diarisation libre progresse sur les réunions, recule sur le corpus français](https://clauzelfamille-dot.github.io/radar-ia/articles/2026-10-14-audio-pyannote-community-diarisation.html) — pyannote publie le successeur libre de speaker-diarization-3.1 : meilleure attribution des locuteurs, sortie « exclusive » prête à aligner sur une transcription, CPU suffisant. Sur le seul corpus francophone du tableau, le nouveau modèle fait pourtant moins bien que l'ancien. - [Qwen3.8-Flash-Next élagué : ISTA-DASLab fait tenir un modèle de code de 177 B dans 32 Go](https://clauzelfamille-dot.github.io/radar-ia/articles/2026-10-14-code-flash-next-coder-elague.html) — ISTA-DASLab retire la moitié des experts de Qwen3.8-Flash-Next et quantise le reste à 3,5 bits : 29,6 Go résidents, 75,6 sur SWE-bench Verified d'après la fiche, contre 82,8 pour la base de 354 Go. C'est un modèle de code de première classe à la portée d'une station de travail, pas encore d'un portable. - [Qwen3.8-27B « sans refus » : ce que valent les GGUF de huihui et OrcaSAQ-2 pour un usage professionnel](https://clauzelfamille-dot.github.io/radar-ia/articles/2026-10-14-local-qwen-sans-refus-gguf.html) — Deux dérivés « abliterated » de Qwen3.8-27B entrent au classement, l'un à 2,2 M de téléchargements ; une seule des deux fiches mesure la perte due à la quantisation, aucune celle due à l'abliteration. Pour traiter des documents ou coder, le GGUF Unsloth d'origine reste le bon point de départ. - [d3 : vLLM Semantic Router prend la tête du Decision Index, JEV-35B et Lightning 4B descendent en taille](https://clauzelfamille-dot.github.io/radar-ia/articles/2026-10-13-agents-d3-decision-index.html) — L'équipe vLLM Semantic Router publie d3, un modèle de décision de 27 B dont la fiche annonce 65,5 au Decision Index public, devant pplx-decider (61,6). En trois jours, AutoTrust (JEV-35B, 3 B actifs) et H2O.ai (Lightning 4B) ajoutent deux modèles du même type, et la taille utile descend jusqu'à 4 B. - [LightOnOCR-3 : l'OCR de LightOn passe sur Qwen3.5, avec boîtes et graphiques convertis en tableaux](https://clauzelfamille-dot.github.io/radar-ia/articles/2026-10-13-documents-lightonocr-3-grounding.html) — LightOn, éditeur parisien, publie LightOnOCR-3 en deux tailles, 4 B et 0,8 B, sous Apache 2.0. La fiche du 4 B annonce 86,3 sur olmOCR-bench et ajoute un mode « grounding » qui renvoie, pour chaque bloc de la page, un type et une boîte. - [GGUF officiels : Mellum 2.1 tient en 8 Go, MiniCPM-V 4.7 et d1-3B livrent aussi leur version locale](https://clauzelfamille-dot.github.io/radar-ia/articles/2026-10-13-local-gguf-officiels-mellum.html) — JetBrains publie les GGUF officiels de Mellum 2.1, son MoE de code à 2,5 B actifs : 8,1 Go en Q4_K_M, contexte 131 k, une commande Ollama. La même semaine, OpenBMB (MiniCPM-V 4.7) et Liquid AI (d1-3B) livrent eux-mêmes la version quantisée. - [pplx-decider v1.1 : Perplexity prend la tête du Decision Index, JEV-27B-VL garde l'image](https://clauzelfamille-dot.github.io/radar-ia/articles/2026-10-12-agents-pplx-decider-perplexity.html) — Perplexity publie pplx-decider-v1.1-27b, un modèle de décision dérivé de Qwen3.8-27B qui ne génère aucun texte et renvoie une probabilité par option. Sa fiche annonce 61,6 au Decision Index, devant Jev (57,9), pendant que JEV-27B-VL d'AutoTrust reste premier du tableau vision. - [Youtu-Parsing-Omni : Tencent transforme pages, tableaux et audio en un seul JSON](https://clauzelfamille-dot.github.io/radar-ia/articles/2026-10-12-documents-youtu-parsing-omni.html) — Tencent publie Youtu-Parsing-Omni, un modèle de 5 B qui convertit une page de document, un graphique, un organigramme, un fichier audio ou une vidéo en un seul bloc JSON structuré. Sa fiche annonce 97,0 sur OmniDocBench v1.6, au niveau des meilleurs OCR spécialisés, mais il exige un GPU et porte une licence propre. - [EmbeddingGemma 2 : la recherche sémantique multilingue tient en 176 Mo sur un PC](https://clauzelfamille-dot.github.io/radar-ia/articles/2026-10-12-local-embeddinggemma-2-gguf.html) — Google publie EmbeddingGemma 2, un modèle d'embeddings de 0,74 B qui place texte, images, audio et vidéo dans le même espace vectoriel, et Unsloth le décline en GGUF à partir de 176 Mo. Pour une recherche documentaire locale, sans serveur ni API, c'est une brique à essayer. - [La semaine en bref : la décision typée s'impose, Qwen3.8-27B se compresse](https://clauzelfamille-dot.github.io/radar-ia/articles/2026-10-12-tendances-semaine-en-bref.html) — Premier bilan hebdomadaire du Radar, bâti sur les deux éditions disponibles. Les modèles de décision deviennent une catégorie à part entière, et Qwen3.8-27B sert de socle à la moitié des nouveautés qui tournent en local. --- # Classements Radar IA Score Radar /100 = 40·popularité + 30·diffusion + 20·fraîcheur + 10·pertinence. ## Classement du 14/10/2026 | # | Élément | Organisation | Score | Likes | Téléchargements | |---|---|---|---|---|---| | 1 | [JEV-27B-VL](https://huggingface.co/autotrust/JEV-27B-VL) | AutoTrust AI Lab | 84 | 3780 | 1550000 | | 2 | [Ternary-Bonsai-2-27B-gguf](https://huggingface.co/prism-ml/Ternary-Bonsai-2-27B-gguf) | Prism ML | 84 | 2633 | 4460000 | | 3 | [Qwen3.8-27B-GGUF](https://huggingface.co/unsloth/Qwen3.8-27B-GGUF) | Unsloth AI | 82 | 5030 | 6450000 | | 4 | [laya](https://huggingface.co/convaiinnovations/laya) | convaiinnovations | 79 | 5540 | 45100 | | 5 | [MiniCPM5-2B](https://huggingface.co/openbmb/MiniCPM5-2B) | OpenBMB | 79 | 1690 | 727000 | | 6 | [Edge0-35B-A3B-preview](https://huggingface.co/Edge0/Edge0-35B-A3B-preview) | Edge0 | 78 | 3570 | 81100 | | 7 | [Qwen3.8-27B](https://huggingface.co/Qwen/Qwen3.8-27B) | Qwen | 77 | 17600 | 6900000 | | 8 | [Swift-Qwen3.8-27B-GGUF](https://huggingface.co/ukisai/Swift-Qwen3.8-27B-GGUF) | ukisai | 77 | 406 | 189000 | | 9 | [Underdog-Saluki-27B-1.0](https://huggingface.co/ConwayResearch/Underdog-Saluki-27B-1.0) | Conway | 77 | 379 | 242000 | | 10 | [speaker-diarization-3.1](https://huggingface.co/pyannote/speaker-diarization-3.1) | pyannote | 76 | 4290 | 6860000 | | 11 | [embeddinggemma-2](https://huggingface.co/google/embeddinggemma-2) | Google | 76 | 1960 | 116000 | | 12 | [Qwen-Image-2.1-Uncensored-Quantized](https://huggingface.co/abenzerps/Qwen-Image-2.1-Uncensored-Quantized) | abenzerps | 75 | 4120 | 2190000 | | 13 | [GLM-5.3-Flash](https://huggingface.co/zai-org/GLM-5.3-Flash) | Z.ai | 75 | 2800 | 6540000 | | 14 | [Audio8-ASR-Infinite](https://huggingface.co/Edge0/Audio8-ASR-Infinite) | Edge0 | 75 | 2434 | 40900 | | 15 | [Qwen3.8-27B-GSQ-RCO-GGUF](https://huggingface.co/ISTA-DASLab/Qwen3.8-27B-GSQ-RCO-GGUF) | IST Austria Distributed Algorithms and Systems Lab | 75 | 2180 | 1480000 | | 16 | [Xing4.0-29B-A4B](https://huggingface.co/XingChen-AGI/Xing4.0-29B-A4B) | XingChen-AGI | 75 | 1840 | 51700 | | 17 | [Qwen3.8-27B-TURBO-Fable-Cold-Fusion-735-882-Heretic-Uncensored-NEO-CODER-MAX-MTP-GGUF](https://huggingface.co/DavidAU/Qwen3.8-27B-TURBO-Fable-Cold-Fusion-735-882-Heretic-Uncensored-NEO-CODER-MAX-MTP-GGUF) | DavidAU | 75 | 1700 | 2030000 | | 18 | [speaker-diarization-community-1](https://huggingface.co/pyannote/speaker-diarization-community-1) | pyannote | 74 | 2760 | 5420000 | | 19 | [Huihui-Qwen3.8-27B-abliterated-GGUF](https://huggingface.co/huihui-ai/Huihui-Qwen3.8-27B-abliterated-GGUF) | huihui-ai | 74 | 1270 | 2170000 | | 20 | [Swift-Qwen3.8-27b](https://huggingface.co/ukisai/Swift-Qwen3.8-27b) | ukisai | 74 | 583 | 19100 | | 21 | [Qwen3.8-27B-Coder390-EfficientThink-Opus5.5-GPT6Astra-Grok4.7-DSV4Pro-K3-SFT-RLOO-MTP-DFlash2](https://huggingface.co/nerkyor/Qwen3.8-27B-Coder390-EfficientThink-Opus5.5-GPT6Astra-Grok4.7-DSV4Pro-K3-SFT-RLOO-MTP-DFlash2) | nerkyor | 74 | 286 | 75300 | | 22 | [embeddinggemma-2-GGUF](https://huggingface.co/unsloth/embeddinggemma-2-GGUF) | Unsloth AI | 74 | 285 | 71900 | | 23 | [Unlimited-OCR](https://huggingface.co/baidu/Unlimited-OCR) | BAIDU | 73 | 4530 | 1210000 | | 24 | [clef](https://huggingface.co/Cloudflare/clef) | Cloudflare | 73 | 2100 | 15100 | | 25 | [Qwen3.8-Flash-Next-GSQ-RCO-Coder-GGUF](https://huggingface.co/ISTA-DASLab/Qwen3.8-Flash-Next-GSQ-RCO-Coder-GGUF) | IST Austria Distributed Algorithms and Systems Lab | 73 | 377 | 679000 | | 26 | [MiniMax-H3](https://huggingface.co/MiniMaxAI/MiniMax-H3) | MiniMax | 72 | 6040 | 4300000 | | 27 | [Qwen-Image-2.1](https://huggingface.co/Comfy-Org/Qwen-Image-2.1) | Comfy Org | 72 | 1060 | 8670000 | | 28 | [LTX-2.5](https://huggingface.co/Lightricks/LTX-2.5) | LTX.io | 71 | 7510 | 1720000 | | 29 | [Xing4.0-29B-A4B-GGUF](https://huggingface.co/Venastine-Research/Xing4.0-29B-A4B-GGUF) | Venastine Research | 71 | 705 | 52800 | | 30 | [d1-3B](https://huggingface.co/LiquidAI/d1-3B) | Liquid AI | 71 | 354 | 11900 | | 31 | [Qwen3.8-Flash-Next](https://huggingface.co/Qwen/Qwen3.8-Flash-Next) | Qwen | 70 | 6150 | 1930000 | | 32 | [Qwen3.8-Flash-Next-GSQ-RCO-GGUF](https://huggingface.co/ISTA-DASLab/Qwen3.8-Flash-Next-GSQ-RCO-GGUF) | IST Austria Distributed Algorithms and Systems Lab | 70 | 835 | 4410000 | | 33 | [Qwen3.8-Flash-Next-Uncensored-GGUF](https://huggingface.co/orcarouter/Qwen3.8-Flash-Next-Uncensored-GGUF) | OrcaRouter | 70 | 821 | 630000 | | 34 | [clef-flash](https://huggingface.co/Cloudflare/clef-flash) | Cloudflare | 70 | 791 | 23300 | | 35 | [typed-decisions](https://huggingface.co/datasets/LocalLLaMA/typed-decisions) | LocalLLaMA | 70 | 163 | 38500 | | 36 | [Qwen-Image-2.1](https://huggingface.co/Qwen/Qwen-Image-2.1) | Qwen | 69 | 3270 | 142000 | | 37 | [MiniMax-H3](https://huggingface.co/Comfy-Org/MiniMax-H3) | Comfy Org | 69 | 2220 | 23600000 | | 38 | [Fable-5.1-Max-Reasoning-Filtered-10000x](https://huggingface.co/datasets/MoreThought/Fable-5.1-Max-Reasoning-Filtered-10000x) | MoreThought | 69 | 304 | 5290 | | 39 | [DeepSeek-V4.1-Flash](https://huggingface.co/deepseek-ai/DeepSeek-V4.1-Flash) | DeepSeek | 68 | 4420 | 1360000 | | 40 | [ZDTaichu5.0-9B](https://huggingface.co/TaichuAI/ZDTaichu5.0-9B) | TaichuAI | 68 | 2920 | 13200 | ## Créés depuis 7 jours | # | Élément | Organisation | Score | Likes | Téléchargements | |---|---|---|---|---|---| | 1 | [Swift-Qwen3.8-27B-GGUF](https://huggingface.co/ukisai/Swift-Qwen3.8-27B-GGUF) | ukisai | 77 | 406 | 189000 | | 2 | [Underdog-Saluki-27B-1.0](https://huggingface.co/ConwayResearch/Underdog-Saluki-27B-1.0) | Conway | 77 | 379 | 242000 | | 3 | [Swift-Qwen3.8-27b](https://huggingface.co/ukisai/Swift-Qwen3.8-27b) | ukisai | 74 | 583 | 19100 | | 4 | [Qwen3.8-27B-Coder390-EfficientThink-Opus5.5-GPT6Astra-Grok4.7-DSV4Pro-K3-SFT-RLOO-MTP-DFlash2](https://huggingface.co/nerkyor/Qwen3.8-27B-Coder390-EfficientThink-Opus5.5-GPT6Astra-Grok4.7-DSV4Pro-K3-SFT-RLOO-MTP-DFlash2) | nerkyor | 74 | 286 | 75300 | | 5 | [embeddinggemma-2-GGUF](https://huggingface.co/unsloth/embeddinggemma-2-GGUF) | Unsloth AI | 74 | 285 | 71900 | | 6 | [d1-3B](https://huggingface.co/LiquidAI/d1-3B) | Liquid AI | 71 | 354 | 11900 | | 7 | [typed-decisions](https://huggingface.co/datasets/LocalLLaMA/typed-decisions) | LocalLLaMA | 70 | 163 | 38500 | | 8 | [Fable-5.1-Max-Reasoning-Filtered-10000x](https://huggingface.co/datasets/MoreThought/Fable-5.1-Max-Reasoning-Filtered-10000x) | MoreThought | 69 | 304 | 5290 | | 9 | [GLiNER2.5-Decide](https://huggingface.co/fastino/GLiNER2.5-Decide) | fastino | 69 | 167 | 14800 | | 10 | [JEV-35B](https://huggingface.co/autotrust/JEV-35B) | AutoTrust AI Lab | 68 | 240 | 6260 | | 11 | [MiniCPM-V-4.7-35B-A3B](https://huggingface.co/openbmb/MiniCPM-V-4.7-35B-A3B) | OpenBMB | 67 | 462 | 630 | | 12 | [Qwen-Image-2.1-Turbo-Uncensored-GGUF](https://huggingface.co/AtomicChat/Qwen-Image-2.1-Turbo-Uncensored-GGUF) | Atomic Chat | 66 | 378 | 162000 | | 13 | [d1-omni-600M](https://huggingface.co/LiquidAI/d1-omni-600M) | Liquid AI | 66 | 105 | 10500 | | 14 | [Mellum2.1-12B-A2.5B-Thinking-GGUF](https://huggingface.co/JetBrains/Mellum2.1-12B-A2.5B-Thinking-GGUF) | JetBrains | 66 | 78 | 20646 | | 15 | [MiniMax-H3-Character-Swap-LoRA](https://huggingface.co/akatz-ai/MiniMax-H3-Character-Swap-LoRA) | akatz-ai | 64 | 415 | 40600 | | 16 | [parakeet-redux](https://huggingface.co/moondream/parakeet-redux) | moondream | 64 | 157 | 1640 | | 17 | [pplx-decider-v1.1-27b](https://huggingface.co/perplexity-ai/pplx-decider-v1.1-27b) | Perplexity | 64 | 120 | 2220 | | 18 | [Qwen-Image-2.1-Turbo](https://huggingface.co/Qwen/Qwen-Image-2.1-Turbo) | Qwen | 63 | 650 | 6790 | | 19 | [ema-lightning](https://huggingface.co/canberkkkkkk/ema-lightning) | canberkkkkkk | 63 | 393 | 20300 | | 20 | [OrcaSAQ-2-27B](https://huggingface.co/orcarouter/OrcaSAQ-2-27B) | OrcaRouter | 63 | 148 | 1180 | | 21 | [EgoDemo](https://huggingface.co/datasets/LightwheelAI/EgoDemo) | Lightwheel | 62 | 189 | 61100 | | 22 | [Mellum2.1-12B-A2.5B-Thinking](https://huggingface.co/JetBrains/Mellum2.1-12B-A2.5B-Thinking) | JetBrains | 61 | 100 | 803 | | 23 | [d3](https://huggingface.co/vllm-sr/d3) | vLLM Semantic Router | 60 | 99 | 420 | | 24 | [LightOnOCR-3-0.8B](https://huggingface.co/lightonai/LightOnOCR-3-0.8B) | LightOn AI | 60 | 56 | 1641 | | 25 | [DeskForge-1M](https://huggingface.co/datasets/docling-project/DeskForge-1M) | Docling | 60 | 34 | 5460 | | 26 | [clef-omni](https://huggingface.co/Cloudflare/clef-omni) | Cloudflare | 59 | 90 | 297 | | 27 | [Youtu-Parsing-Omni](https://huggingface.co/tencent/Youtu-Parsing-Omni) | Tencent | 59 | 75 | 549 | | 28 | [GLiNER2.5-multi-Decide](https://huggingface.co/fastino/GLiNER2.5-multi-Decide) | fastino | 58 | 40 | 1200 | | 29 | [GLM5.3-Flash-E192-DGX-Spark](https://huggingface.co/autotrust/GLM5.3-Flash-E192-DGX-Spark) | AutoTrust AI Lab | 56 | 174 | 2982 | | 30 | [openai-math](https://huggingface.co/datasets/FineEnvs/openai-math) | FineEnvs | 48 | 35 | 1810 | | 31 | [lunara-art-eval](https://huggingface.co/datasets/moonworks/lunara-art-eval) | Moonworks AI | 46 | 32 | 604 | | 32 | [LightOnOCR-3-Demo](https://huggingface.co/spaces/lightonai/LightOnOCR-3-Demo) | LightOn AI | 45 | 45 | None | | 33 | [System One Arcade](https://huggingface.co/spaces/LiquidAI/system-one-arcade) | Liquid AI | 44 | 34 | None | | 34 | [minimax-h3-character-swap-lora](https://huggingface.co/spaces/hugging-apps/minimax-h3-character-swap-lora) | Hugging Apps | 39 | 112 | None | ## Créés depuis 30 jours | # | Élément | Organisation | Score | Likes | Téléchargements | |---|---|---|---|---|---| | 1 | [JEV-27B-VL](https://huggingface.co/autotrust/JEV-27B-VL) | AutoTrust AI Lab | 84 | 3780 | 1550000 | | 2 | [Ternary-Bonsai-2-27B-gguf](https://huggingface.co/prism-ml/Ternary-Bonsai-2-27B-gguf) | Prism ML | 84 | 2633 | 4460000 | | 3 | [laya](https://huggingface.co/convaiinnovations/laya) | convaiinnovations | 79 | 5540 | 45100 | | 4 | [MiniCPM5-2B](https://huggingface.co/openbmb/MiniCPM5-2B) | OpenBMB | 79 | 1690 | 727000 | | 5 | [Edge0-35B-A3B-preview](https://huggingface.co/Edge0/Edge0-35B-A3B-preview) | Edge0 | 78 | 3570 | 81100 | | 6 | [Swift-Qwen3.8-27B-GGUF](https://huggingface.co/ukisai/Swift-Qwen3.8-27B-GGUF) | ukisai | 77 | 406 | 189000 | | 7 | [Underdog-Saluki-27B-1.0](https://huggingface.co/ConwayResearch/Underdog-Saluki-27B-1.0) | Conway | 77 | 379 | 242000 | | 8 | [embeddinggemma-2](https://huggingface.co/google/embeddinggemma-2) | Google | 76 | 1960 | 116000 | | 9 | [Qwen-Image-2.1-Uncensored-Quantized](https://huggingface.co/abenzerps/Qwen-Image-2.1-Uncensored-Quantized) | abenzerps | 75 | 4120 | 2190000 | | 10 | [GLM-5.3-Flash](https://huggingface.co/zai-org/GLM-5.3-Flash) | Z.ai | 75 | 2800 | 6540000 | | 11 | [Audio8-ASR-Infinite](https://huggingface.co/Edge0/Audio8-ASR-Infinite) | Edge0 | 75 | 2434 | 40900 | | 12 | [Xing4.0-29B-A4B](https://huggingface.co/XingChen-AGI/Xing4.0-29B-A4B) | XingChen-AGI | 75 | 1840 | 51700 | | 13 | [Swift-Qwen3.8-27b](https://huggingface.co/ukisai/Swift-Qwen3.8-27b) | ukisai | 74 | 583 | 19100 | | 14 | [Qwen3.8-27B-Coder390-EfficientThink-Opus5.5-GPT6Astra-Grok4.7-DSV4Pro-K3-SFT-RLOO-MTP-DFlash2](https://huggingface.co/nerkyor/Qwen3.8-27B-Coder390-EfficientThink-Opus5.5-GPT6Astra-Grok4.7-DSV4Pro-K3-SFT-RLOO-MTP-DFlash2) | nerkyor | 74 | 286 | 75300 | | 15 | [embeddinggemma-2-GGUF](https://huggingface.co/unsloth/embeddinggemma-2-GGUF) | Unsloth AI | 74 | 285 | 71900 | | 16 | [clef](https://huggingface.co/Cloudflare/clef) | Cloudflare | 73 | 2100 | 15100 | | 17 | [Qwen3.8-Flash-Next-GSQ-RCO-Coder-GGUF](https://huggingface.co/ISTA-DASLab/Qwen3.8-Flash-Next-GSQ-RCO-Coder-GGUF) | IST Austria Distributed Algorithms and Systems Lab | 73 | 377 | 679000 | | 18 | [Qwen-Image-2.1](https://huggingface.co/Comfy-Org/Qwen-Image-2.1) | Comfy Org | 72 | 1060 | 8670000 | | 19 | [Xing4.0-29B-A4B-GGUF](https://huggingface.co/Venastine-Research/Xing4.0-29B-A4B-GGUF) | Venastine Research | 71 | 705 | 52800 | | 20 | [d1-3B](https://huggingface.co/LiquidAI/d1-3B) | Liquid AI | 71 | 354 | 11900 | | 21 | [Qwen3.8-Flash-Next-GSQ-RCO-GGUF](https://huggingface.co/ISTA-DASLab/Qwen3.8-Flash-Next-GSQ-RCO-GGUF) | IST Austria Distributed Algorithms and Systems Lab | 70 | 835 | 4410000 | | 22 | [clef-flash](https://huggingface.co/Cloudflare/clef-flash) | Cloudflare | 70 | 791 | 23300 | | 23 | [typed-decisions](https://huggingface.co/datasets/LocalLLaMA/typed-decisions) | LocalLLaMA | 70 | 163 | 38500 | | 24 | [Qwen-Image-2.1](https://huggingface.co/Qwen/Qwen-Image-2.1) | Qwen | 69 | 3270 | 142000 | | 25 | [Fable-5.1-Max-Reasoning-Filtered-10000x](https://huggingface.co/datasets/MoreThought/Fable-5.1-Max-Reasoning-Filtered-10000x) | MoreThought | 69 | 304 | 5290 | | 26 | [GLiNER2.5-Decide](https://huggingface.co/fastino/GLiNER2.5-Decide) | fastino | 69 | 167 | 14800 | | 27 | [OrcaSAQ-2-Cyber-27B-Uncensored-GGUF](https://huggingface.co/orcarouter/OrcaSAQ-2-Cyber-27B-Uncensored-GGUF) | OrcaRouter | 68 | 502 | 23200 | | 28 | [JEV-35B](https://huggingface.co/autotrust/JEV-35B) | AutoTrust AI Lab | 68 | 240 | 6260 | | 29 | [MiniCPM-V-4.7-35B-A3B](https://huggingface.co/openbmb/MiniCPM-V-4.7-35B-A3B) | OpenBMB | 67 | 462 | 630 | | 30 | [CLM-v0.1-8B](https://huggingface.co/Contrastive-LM/CLM-v0.1-8B) | Contrastive-LM | 66 | 764 | 4310 | | 31 | [Qwen-Image-2.1-Turbo-Uncensored-GGUF](https://huggingface.co/AtomicChat/Qwen-Image-2.1-Turbo-Uncensored-GGUF) | Atomic Chat | 66 | 378 | 162000 | | 32 | [whistle](https://huggingface.co/Cactus-Compute/whistle) | Cactus Compute, Inc. | 66 | 367 | 18600 | | 33 | [d1-omni-600M](https://huggingface.co/LiquidAI/d1-omni-600M) | Liquid AI | 66 | 105 | 10500 | | 34 | [Mellum2.1-12B-A2.5B-Thinking-GGUF](https://huggingface.co/JetBrains/Mellum2.1-12B-A2.5B-Thinking-GGUF) | JetBrains | 66 | 78 | 20646 | | 35 | [MiniMax-H3-Character-Swap-LoRA](https://huggingface.co/akatz-ai/MiniMax-H3-Character-Swap-LoRA) | akatz-ai | 64 | 415 | 40600 | | 36 | [parakeet-redux](https://huggingface.co/moondream/parakeet-redux) | moondream | 64 | 157 | 1640 | | 37 | [pplx-decider-v1.1-27b](https://huggingface.co/perplexity-ai/pplx-decider-v1.1-27b) | Perplexity | 64 | 120 | 2220 | | 38 | [humanizer](https://huggingface.co/jialinyyzz/humanizer) | jialinyyzz | 63 | 1350 | 46100 | | 39 | [Qwen-Image-2.1-Turbo](https://huggingface.co/Qwen/Qwen-Image-2.1-Turbo) | Qwen | 63 | 650 | 6790 | | 40 | [ema-lightning](https://huggingface.co/canberkkkkkk/ema-lightning) | canberkkkkkk | 63 | 393 | 20300 | | 41 | [OrcaSAQ-2-27B](https://huggingface.co/orcarouter/OrcaSAQ-2-27B) | OrcaRouter | 63 | 148 | 1180 | | 42 | [MiMo-V2.6-Pro-RL](https://huggingface.co/XiaomiMiMo/MiMo-V2.6-Pro-RL) | Xiaomi MiMo | 62 | 698 | 95200 | | 43 | [EgoDemo](https://huggingface.co/datasets/LightwheelAI/EgoDemo) | Lightwheel | 62 | 189 | 61100 | | 44 | [Mellum2.1-12B-A2.5B-Thinking](https://huggingface.co/JetBrains/Mellum2.1-12B-A2.5B-Thinking) | JetBrains | 61 | 100 | 803 | | 45 | [d3](https://huggingface.co/vllm-sr/d3) | vLLM Semantic Router | 60 | 99 | 420 | | 46 | [LightOnOCR-3-0.8B](https://huggingface.co/lightonai/LightOnOCR-3-0.8B) | LightOn AI | 60 | 56 | 1641 | | 47 | [DeskForge-1M](https://huggingface.co/datasets/docling-project/DeskForge-1M) | Docling | 60 | 34 | 5460 | | 48 | [Kolibri-1](https://huggingface.co/Aleph-Alpha/Kolibri-1) | Aleph Alpha | 59 | 917 | 14000 | | 49 | [Hemmingway-1](https://huggingface.co/Altworld/Hemmingway-1) | Altworld | 59 | 852 | 11300 | | 50 | [Open-Jev](https://huggingface.co/datasets/ZefanCai/Open-Jev) | ZefanCai | 59 | 94 | 5890 | ## Créés depuis 3 mois | # | Élément | Organisation | Score | Likes | Téléchargements | |---|---|---|---|---|---| | 1 | [JEV-27B-VL](https://huggingface.co/autotrust/JEV-27B-VL) | AutoTrust AI Lab | 84 | 3780 | 1550000 | | 2 | [Ternary-Bonsai-2-27B-gguf](https://huggingface.co/prism-ml/Ternary-Bonsai-2-27B-gguf) | Prism ML | 84 | 2633 | 4460000 | | 3 | [Qwen3.8-27B-GGUF](https://huggingface.co/unsloth/Qwen3.8-27B-GGUF) | Unsloth AI | 82 | 5030 | 6450000 | | 4 | [laya](https://huggingface.co/convaiinnovations/laya) | convaiinnovations | 79 | 5540 | 45100 | | 5 | [MiniCPM5-2B](https://huggingface.co/openbmb/MiniCPM5-2B) | OpenBMB | 79 | 1690 | 727000 | | 6 | [Edge0-35B-A3B-preview](https://huggingface.co/Edge0/Edge0-35B-A3B-preview) | Edge0 | 78 | 3570 | 81100 | | 7 | [Qwen3.8-27B](https://huggingface.co/Qwen/Qwen3.8-27B) | Qwen | 77 | 17600 | 6900000 | | 8 | [Swift-Qwen3.8-27B-GGUF](https://huggingface.co/ukisai/Swift-Qwen3.8-27B-GGUF) | ukisai | 77 | 406 | 189000 | | 9 | [Underdog-Saluki-27B-1.0](https://huggingface.co/ConwayResearch/Underdog-Saluki-27B-1.0) | Conway | 77 | 379 | 242000 | | 10 | [embeddinggemma-2](https://huggingface.co/google/embeddinggemma-2) | Google | 76 | 1960 | 116000 | | 11 | [Qwen-Image-2.1-Uncensored-Quantized](https://huggingface.co/abenzerps/Qwen-Image-2.1-Uncensored-Quantized) | abenzerps | 75 | 4120 | 2190000 | | 12 | [GLM-5.3-Flash](https://huggingface.co/zai-org/GLM-5.3-Flash) | Z.ai | 75 | 2800 | 6540000 | | 13 | [Audio8-ASR-Infinite](https://huggingface.co/Edge0/Audio8-ASR-Infinite) | Edge0 | 75 | 2434 | 40900 | | 14 | [Qwen3.8-27B-GSQ-RCO-GGUF](https://huggingface.co/ISTA-DASLab/Qwen3.8-27B-GSQ-RCO-GGUF) | IST Austria Distributed Algorithms and Systems Lab | 75 | 2180 | 1480000 | | 15 | [Xing4.0-29B-A4B](https://huggingface.co/XingChen-AGI/Xing4.0-29B-A4B) | XingChen-AGI | 75 | 1840 | 51700 | | 16 | [Qwen3.8-27B-TURBO-Fable-Cold-Fusion-735-882-Heretic-Uncensored-NEO-CODER-MAX-MTP-GGUF](https://huggingface.co/DavidAU/Qwen3.8-27B-TURBO-Fable-Cold-Fusion-735-882-Heretic-Uncensored-NEO-CODER-MAX-MTP-GGUF) | DavidAU | 75 | 1700 | 2030000 | | 17 | [Huihui-Qwen3.8-27B-abliterated-GGUF](https://huggingface.co/huihui-ai/Huihui-Qwen3.8-27B-abliterated-GGUF) | huihui-ai | 74 | 1270 | 2170000 | | 18 | [Swift-Qwen3.8-27b](https://huggingface.co/ukisai/Swift-Qwen3.8-27b) | ukisai | 74 | 583 | 19100 | | 19 | [Qwen3.8-27B-Coder390-EfficientThink-Opus5.5-GPT6Astra-Grok4.7-DSV4Pro-K3-SFT-RLOO-MTP-DFlash2](https://huggingface.co/nerkyor/Qwen3.8-27B-Coder390-EfficientThink-Opus5.5-GPT6Astra-Grok4.7-DSV4Pro-K3-SFT-RLOO-MTP-DFlash2) | nerkyor | 74 | 286 | 75300 | | 20 | [embeddinggemma-2-GGUF](https://huggingface.co/unsloth/embeddinggemma-2-GGUF) | Unsloth AI | 74 | 285 | 71900 | | 21 | [clef](https://huggingface.co/Cloudflare/clef) | Cloudflare | 73 | 2100 | 15100 | | 22 | [Qwen3.8-Flash-Next-GSQ-RCO-Coder-GGUF](https://huggingface.co/ISTA-DASLab/Qwen3.8-Flash-Next-GSQ-RCO-Coder-GGUF) | IST Austria Distributed Algorithms and Systems Lab | 73 | 377 | 679000 | | 23 | [MiniMax-H3](https://huggingface.co/MiniMaxAI/MiniMax-H3) | MiniMax | 72 | 6040 | 4300000 | | 24 | [Qwen-Image-2.1](https://huggingface.co/Comfy-Org/Qwen-Image-2.1) | Comfy Org | 72 | 1060 | 8670000 | | 25 | [LTX-2.5](https://huggingface.co/Lightricks/LTX-2.5) | LTX.io | 71 | 7510 | 1720000 | | 26 | [Xing4.0-29B-A4B-GGUF](https://huggingface.co/Venastine-Research/Xing4.0-29B-A4B-GGUF) | Venastine Research | 71 | 705 | 52800 | | 27 | [d1-3B](https://huggingface.co/LiquidAI/d1-3B) | Liquid AI | 71 | 354 | 11900 | | 28 | [Qwen3.8-Flash-Next](https://huggingface.co/Qwen/Qwen3.8-Flash-Next) | Qwen | 70 | 6150 | 1930000 | | 29 | [Qwen3.8-Flash-Next-GSQ-RCO-GGUF](https://huggingface.co/ISTA-DASLab/Qwen3.8-Flash-Next-GSQ-RCO-GGUF) | IST Austria Distributed Algorithms and Systems Lab | 70 | 835 | 4410000 | | 30 | [Qwen3.8-Flash-Next-Uncensored-GGUF](https://huggingface.co/orcarouter/Qwen3.8-Flash-Next-Uncensored-GGUF) | OrcaRouter | 70 | 821 | 630000 | | 31 | [clef-flash](https://huggingface.co/Cloudflare/clef-flash) | Cloudflare | 70 | 791 | 23300 | | 32 | [typed-decisions](https://huggingface.co/datasets/LocalLLaMA/typed-decisions) | LocalLLaMA | 70 | 163 | 38500 | | 33 | [Qwen-Image-2.1](https://huggingface.co/Qwen/Qwen-Image-2.1) | Qwen | 69 | 3270 | 142000 | | 34 | [MiniMax-H3](https://huggingface.co/Comfy-Org/MiniMax-H3) | Comfy Org | 69 | 2220 | 23600000 | | 35 | [Fable-5.1-Max-Reasoning-Filtered-10000x](https://huggingface.co/datasets/MoreThought/Fable-5.1-Max-Reasoning-Filtered-10000x) | MoreThought | 69 | 304 | 5290 | | 36 | [GLiNER2.5-Decide](https://huggingface.co/fastino/GLiNER2.5-Decide) | fastino | 69 | 167 | 14800 | | 37 | [DeepSeek-V4.1-Flash](https://huggingface.co/deepseek-ai/DeepSeek-V4.1-Flash) | DeepSeek | 68 | 4420 | 1360000 | | 38 | [ZDTaichu5.0-9B](https://huggingface.co/TaichuAI/ZDTaichu5.0-9B) | TaichuAI | 68 | 2920 | 13200 | | 39 | [OrcaSAQ-2-Cyber-27B-Uncensored-GGUF](https://huggingface.co/orcarouter/OrcaSAQ-2-Cyber-27B-Uncensored-GGUF) | OrcaRouter | 68 | 502 | 23200 | | 40 | [JEV-35B](https://huggingface.co/autotrust/JEV-35B) | AutoTrust AI Lab | 68 | 240 | 6260 | | 41 | [TeleOCR](https://huggingface.co/XingChen-AGI/TeleOCR) | XingChen-AGI | 67 | 1290 | 45100 | | 42 | [MiniCPM-V-4.7-35B-A3B](https://huggingface.co/openbmb/MiniCPM-V-4.7-35B-A3B) | OpenBMB | 67 | 462 | 630 | | 43 | [CLM-v0.1-8B](https://huggingface.co/Contrastive-LM/CLM-v0.1-8B) | Contrastive-LM | 66 | 764 | 4310 | | 44 | [Nemotron-3-Diarization](https://huggingface.co/nvidia/Nemotron-3-Diarization) | NVIDIA | 66 | 756 | 72300 | | 45 | [Qwen-Image-2.1-Turbo-Uncensored-GGUF](https://huggingface.co/AtomicChat/Qwen-Image-2.1-Turbo-Uncensored-GGUF) | Atomic Chat | 66 | 378 | 162000 | | 46 | [whistle](https://huggingface.co/Cactus-Compute/whistle) | Cactus Compute, Inc. | 66 | 367 | 18600 | | 47 | [d1-omni-600M](https://huggingface.co/LiquidAI/d1-omni-600M) | Liquid AI | 66 | 105 | 10500 | | 48 | [Mellum2.1-12B-A2.5B-Thinking-GGUF](https://huggingface.co/JetBrains/Mellum2.1-12B-A2.5B-Thinking-GGUF) | JetBrains | 66 | 78 | 20646 | | 49 | [MiniMax-H3-Character-Swap-LoRA](https://huggingface.co/akatz-ai/MiniMax-H3-Character-Swap-LoRA) | akatz-ai | 64 | 415 | 40600 | | 50 | [parakeet-redux](https://huggingface.co/moondream/parakeet-redux) | moondream | 64 | 157 | 1640 | --- # pyannote community-1 : la diarisation libre progresse sur les réunions, recule sur le corpus français > pyannote publie le successeur libre de speaker-diarization-3.1 : meilleure attribution des locuteurs, sortie « exclusive » prête à aligner sur une transcription, CPU suffisant. Sur le seul corpus francophone du tableau, le nouveau modèle fait pourtant moins bien que l'ancien. *14 octobre 2026 · Voix & audio · Radar IA* — https://clauzelfamille-dot.github.io/radar-ia/articles/2026-10-14-audio-pyannote-community-diarisation.html [speaker-diarization-community-1](https://huggingface.co/pyannote/speaker-diarization-community-1) est le successeur libre de [speaker-diarization-3.1](https://huggingface.co/pyannote/speaker-diarization-3.1), l'un des pipelines de diarisation les plus téléchargés de Hugging Face. Il entre au classement Radar ce matin avec 5,4 M de téléchargements sur le mois et 2,8 k likes, d'après la fiche. La question pour un compte rendu de réunion en français n'est pas « est-il meilleur » mais « sur quel corpus ». ## Ce que fait le pipeline Il prend un fichier audio mono à 16 kHz (le stéréo est moyenné, les autres fréquences sont rééchantillonnées) et renvoie, pour chaque segment, un locuteur anonyme et ses bornes de temps. On peut fixer le nombre de locuteurs (`num_speakers=2`) ou l'encadrer (`min_speakers`, `max_speakers`). Il tourne sur CPU par défaut ; le GPU est un simple `pipeline.to("cuda")`. La fiche annonce quatre changements par rapport à la 3.1 : une meilleure attribution et un meilleur comptage des locuteurs, une sortie « exclusive » où aucun segment ne se chevauche, un usage hors ligne simplifié après clonage du dépôt, et un hébergement optionnel chez pyannoteAI. La sortie exclusive est le point utile pour nous. Une transcription (Whisper, parakeet) donne des mots horodatés ; une diarisation classique donne des plages qui se recouvrent quand deux personnes parlent en même temps. Avec `output.exclusive_speaker_diarization`, chaque instant n'a qu'un locuteur, ce qui permet d'aligner les deux listes par simple comparaison d'horodatages, sans règle d'arbitrage à écrire. La fiche précise que cette fonction est « rétroportée » de leur modèle commercial precision-2. ## Ce que la fiche annonce et ce qu'il faut vérifier La licence passe de MIT (3.1) à CC-BY-4.0 : attribution obligatoire, usage commercial permis. Le dépôt reste à accès restreint (« gated ») : il faut un compte Hugging Face, accepter les conditions et fournir un token. La fiche ne donne aucune vitesse ni aucune consommation mémoire ; la 3.1 non plus. Les taux d'erreur de diarisation (DER, plus bas est mieux) sont publiés sur douze corpus, dans la configuration la plus sévère : pas de tolérance aux bornes, parole superposée comptée, aucune aide manuelle. Les chiffres sont ceux de l'éditeur, datés de septembre 2025. | Corpus | 3.1 | community-1 | precision-2 (cloud) | |---|---|---|---| | AMI (micro-casque) | 18,8 | 17,0 | 12,9 | | AMI (micro de table) | 22,7 | 19,9 | 15,6 | | AliMeeting | 24,5 | 20,3 | 15,2 | | DIHARD 3 | 21,4 | 20,2 | 14,7 | | VoxConverse | 11,2 | 11,2 | 8,5 | | REPERE (TV française) | 7,9 | 8,9 | 7,4 | Sur AMI, le corpus de réunions de référence, le gain est de 1,8 à 2,8 points. Sur REPERE, seul corpus francophone du tableau, community-1 recule d'un point par rapport à la 3.1. La fiche le reconnaît sans l'expliquer. Pour des réunions en français, ce point n'est donc pas tranché par les chiffres de l'éditeur. La troisième colonne montre aussi la stratégie de pyannote : le modèle libre progresse, le modèle payant garde 1,5 à 5,5 points d'avance. ## Face aux alternatives déjà vues [Nemotron-3-Diarization](https://huggingface.co/nvidia/Nemotron-3-Diarization), cité le 11 octobre comme complément de parakeet, compte 72 k téléchargements contre 5,4 M ici : l'écosystème (exemples, intégrations, tutoriels) est du côté de pyannote. La 3.1 reste disponible, sous MIT, avec 6,9 M de téléchargements ; elle demeure le choix si la licence CC-BY pose problème ou si le corpus REPERE est représentatif de vos enregistrements. Côté transcription, la chaîne locale reste la même : [whistle](https://huggingface.co/Cactus-Compute/whistle) (17 Mo) ou [parakeet-redux](https://huggingface.co/moondream/parakeet-redux) (178 Mo, 25 langues) pour les mots, pyannote pour les voix. ## Comment l'essayer 1. Sur huggingface.co, accepter les conditions du dépôt et créer un token de lecture. 2. `pip install pyannote.audio` (la fiche indique la compatibilité avec la version 4.x). 3. Charger `Pipeline.from_pretrained("pyannote/speaker-diarization-community-1", token=...)`, puis appeler le pipeline sur un WAV mono 16 kHz. Un `ProgressHook` affiche l'avancement. 4. Lire `output.exclusive_speaker_diarization` et l'aligner sur les horodatages de la transcription. 5. Comparer avec la 3.1 sur deux ou trois réunions réelles de trente minutes : compter les changements de locuteur manqués et les locuteurs confondus, à la main, sur les cinq premières minutes. À surveiller : une mesure indépendante sur du français conversationnel, et une version de pyannote.audio qui publierait enfin les temps de traitement sur CPU. ## Sources - [Fiche pyannote/speaker-diarization-community-1](https://huggingface.co/pyannote/speaker-diarization-community-1) - [Fiche pyannote/speaker-diarization-3.1](https://huggingface.co/pyannote/speaker-diarization-3.1) --- # Qwen3.8-Flash-Next élagué : ISTA-DASLab fait tenir un modèle de code de 177 B dans 32 Go > ISTA-DASLab retire la moitié des experts de Qwen3.8-Flash-Next et quantise le reste à 3,5 bits : 29,6 Go résidents, 75,6 sur SWE-bench Verified d'après la fiche, contre 82,8 pour la base de 354 Go. C'est un modèle de code de première classe à la portée d'une station de travail, pas encore d'un portable. *14 octobre 2026 · Code · Radar IA* — https://clauzelfamille-dot.github.io/radar-ia/articles/2026-10-14-code-flash-next-coder-elague.html [Qwen3.8-Flash-Next-GSQ-RCO-Coder-GGUF](https://huggingface.co/ISTA-DASLab/Qwen3.8-Flash-Next-GSQ-RCO-Coder-GGUF) est une version de [Qwen3.8-Flash-Next](https://huggingface.co/Qwen/Qwen3.8-Flash-Next), le gros MoE de 177 B d'Alibaba, dont ISTA-DASLab (IST Austria) a retiré la moitié des experts avant de quantiser le reste à 3,5 bits. Le fichier résident pèse 29,6 Go ; la fiche annonce 75,6 sur SWE-bench Verified, contre 82,8 pour la base en BF16 qui pèse 354 Go. La fiche le présente comme exécutable sur un seul accélérateur de 32 Go. ## Ce que fait le modèle Qwen3.8-Flash-Next compte 48 couches de 512 experts, dont 10 actifs par token. La version « Coder » n'en garde que 256 par couche, choisis par la méthode RCO (une optimisation sous contrainte de budget, un budget exact par couche, décrite dans un article de mai 2026) avec des données de calibration orientées code, appel d'outils et vision. Les poids conservés sont ensuite quantisés par GSQ (article d'avril 2026) à 3,5 bits. La fiche parle d'un débit effectif de 1,89 bit par paramètre du modèle d'origine. Elle précise que l'usage généraliste est mieux servi par les versions non élaguées, et que l'élagage s'adresse au code, aux agents et au raisonnement spatial sur image. Un détail compte pour la mémoire : le dépôt contient deux fichiers. Le premier (29,6 Go) est le transformeur et doit être en mémoire. Le second (28,8 Go) est une table n-gram servant au décodage, que llama.cpp peut lire sur disque par `mmap` sans la charger. D'où « 32 Go d'accélérateur » et non 58 Go. ## Ce que la fiche annonce et ce qu'il faut vérifier | Benchmark | Base BF16 (354 Go) | Coder GSQ-RCO (29,6 Go résidents) | Conservé | |---|---|---|---| | SWE-bench Verified | 82,8 | 75,6 | 91 % | | LiveCodeBench v6 | 87,4 | 86,3 | 99 % | Ces deux chiffres sont ceux des auteurs, obtenus « à effort de raisonnement xhigh », et aucun autre modèle n'est comparé. La perte sur SWE-bench (7 points) est bien plus marquée que sur LiveCodeBench (1 point) : les tâches longues d'agent de code, avec navigation dans un dépôt, souffrent davantage de l'élagage que la résolution d'exercices isolés. La fiche ne donne ni longueur de contexte, ni paramètres d'échantillonnage, ni date de publication ; les métadonnées affichent 117 B de paramètres, le texte 176,9 B pour la base. Une mention de 8 Go de VRAM avec un moteur tiers (Strata) est un retour d'utilisateur, non vérifié. Licence Apache 2.0, héritée de la base ; 679 k téléchargements sur le mois et 377 likes. ## Face aux alternatives déjà connues Le même laboratoire publie [la version non élaguée](https://huggingface.co/ISTA-DASLab/Qwen3.8-Flash-Next-GSQ-RCO-GGUF) en quatre tailles, de 66 à 84 Go au total, dont 38 à 55 Go résidents ; sa fiche annonce 86,3 à 86,9 sur LiveCodeBench, soit l'équivalent de la version Coder, mais avec un besoin mémoire presque double. C'est donc l'élagage, pas la quantisation, qui fait passer sous 32 Go. Pour un PC de bureau, les deux alternatives vues ces derniers jours restent plus accessibles : [Mellum 2.1 en GGUF](https://huggingface.co/JetBrains/Mellum2.1-12B-A2.5B-Thinking-GGUF) tient en 8,1 Go avec 47 sur SWE-bench Verified d'après sa fiche, et [Qwen3.8-27B GSQ-RCO](https://huggingface.co/ISTA-DASLab/Qwen3.8-27B-GSQ-RCO-GGUF) tient en 8 à 12 Go. Le Coder 177 B se place entre les deux : trop gros pour un portable, à la portée d'une station avec une carte de 32 Go. ## Comment l'essayer 1. Vérifier le matériel : 32 Go de VRAM (ou de mémoire unifiée) pour le premier fichier, plus de la marge pour le cache KV ; un disque SSD rapide pour la table n-gram de 28,8 Go. 2. Avec Ollama : `ollama run hf.co/ISTA-DASLab/Qwen3.8-Flash-Next-GSQ-RCO-Coder-GGUF:IQ1_M` (le tag IQ1_M est celui du Hub ; il ne reflète pas les 3,5 bits réels des poids). 3. Avec llama.cpp : `llama-server` avec le premier fichier en argument ; la fiche fournit la commande et recommande le chargement différé de la table n-gram. 4. Brancher un agent de code (la fiche donne les réglages pour Hermes Agent, OpenClaw et Pi) et rejouer trois tickets réels d'un de vos projets : le test qui compte est la navigation dans un dépôt existant, là où la fiche montre la plus grosse perte. À surveiller : une évaluation indépendante sur SWE-bench, la longueur de contexte réelle en llama.cpp, et une éventuelle version élaguée de Qwen3.8-27B par la même méthode, qui ramènerait ce type de modèle sur un portable. ## Sources - [Fiche ISTA-DASLab/Qwen3.8-Flash-Next-GSQ-RCO-Coder-GGUF](https://huggingface.co/ISTA-DASLab/Qwen3.8-Flash-Next-GSQ-RCO-Coder-GGUF) - [Fiche ISTA-DASLab/Qwen3.8-Flash-Next-GSQ-RCO-GGUF](https://huggingface.co/ISTA-DASLab/Qwen3.8-Flash-Next-GSQ-RCO-GGUF) --- # Qwen3.8-27B « sans refus » : ce que valent les GGUF de huihui et OrcaSAQ-2 pour un usage professionnel > Deux dérivés « abliterated » de Qwen3.8-27B entrent au classement, l'un à 2,2 M de téléchargements ; une seule des deux fiches mesure la perte due à la quantisation, aucune celle due à l'abliteration. Pour traiter des documents ou coder, le GGUF Unsloth d'origine reste le bon point de départ. *14 octobre 2026 · LLM en local · Radar IA* — https://clauzelfamille-dot.github.io/radar-ia/articles/2026-10-14-local-qwen-sans-refus-gguf.html Deux GGUF « sans refus » de Qwen3.8-27B entrent au classement ce matin : [Huihui-Qwen3.8-27B-abliterated-GGUF](https://huggingface.co/huihui-ai/Huihui-Qwen3.8-27B-abliterated-GGUF), 2,2 M de téléchargements sur le mois, et [OrcaSAQ-2-Cyber-27B-Uncensored-GGUF](https://huggingface.co/orcarouter/OrcaSAQ-2-Cyber-27B-Uncensored-GGUF), 23 k. Ils illustrent le constat de la Veille du jour : huit des trente entrées des rangs 31 à 60 sont des dérivés « uncensored » ou « abliterated ». Avant d'en installer un, il faut savoir ce qu'on y gagne et ce qu'on y perd. ## Ce que ces modèles font L'« abliteration » consiste à repérer, dans les activations du modèle, la direction qui déclenche les refus, puis à la soustraire des poids de certaines couches. Aucun réentraînement, aucune donnée nouvelle. La fiche huihui parle elle-même d'une « implémentation brute, preuve de concept ». Elle précise les couches modifiées (17 à 52 ou 22 à 52 selon la série) et indique que les composants vision et MTP ne sont pas touchés. OrcaRouter part d'un point de contrôle abliteré, puis applique sa propre quantisation « sensible à la précision », dont la méthode n'est pas divulguée. Les deux conservent le mode réflexion et l'appel d'outils de la base ; OrcaSAQ-2 retire l'encodeur vision (texte seul) et annonce un contexte de 262 k tokens. ## Ce que les fiches annoncent et ce qu'il faut vérifier OrcaRouter publie une mesure de fidélité : sur WikiText-2 (16 k tokens), divergence KL moyenne de 0,020 et 94,4 % d'accord sur le premier token par rapport au BF16, perplexité en hausse de 0,8 %, pour un fichier de 15,7 Go au lieu de 54,7. Vitesse annoncée : 20,5 tokens par seconde sur une carte, 27,6 avec le brouillon DFlash2, pour 14,9 à 18,1 Go de VRAM. Ces chiffres sont ceux de l'éditeur et mesurent la perte due à la quantisation, pas celle due à l'abliteration : aucun benchmark de capacité (code, raisonnement, appel d'outils) n'est donné. Les 98 % sur CyberGym affichés sur la page concernent un autre modèle de la même maison. Le dépôt est à accès restreint (« gated »). La fiche huihui ne publie aucune mesure : ni divergence, ni perplexité, ni taux de refus. Elle liste une trentaine de fichiers, de 6,6 Go (TQ1_0) à 54,7 Go (BF16), avec des variantes « _L » où les tenseurs modifiés restent en Q8_0, d'où des tailles inhabituelles (un Q2_K_L de 17,2 Go, plus gros qu'un Q4_K_S de 15,6 Go). La série ternaire exige un fork de llama.cpp. L'avertissement est explicite : filtrage de sécurité « significativement réduit », usage déconseillé en production ou en public, revue manuelle recommandée. L'en-tête indique Apache 2.0. ## Comment les situer [](https://huggingface.co/unsloth/Qwen3.8-27B-GGUF) [](https://huggingface.co/ConwayResearch/Underdog-Saluki-27B-1.0) | Dépôt | Modification | Fidélité mesurée | Taille Q4 (≈) | Licence | |---|---|---|---|---| | unsloth/Qwen3.8-27B-GGUF | aucune (quantisation seule) | non publiée sur la fiche | 16,5 Go (UD-Q4_K_M) | Apache 2.0 | | Huihui abliterated | refus retirés | aucune | 16,6 Go (Q4_K_M) | Apache 2.0 | | OrcaSAQ-2 Cyber | refus retirés + quantisation mixte | KL 0,020 (quantisation) | 15,7 Go (unique) | Apache 2.0 | | Underdog-Saluki | ajustement pour agents | aucune | 7,9 Go | Apache 2.0 | Pour les usages de ce site (extraction de documents, classification, agents outillés, code), un contrat, une facture ou un journal d'erreurs ne déclenchent normalement pas de refus du modèle d'origine. Le gain d'un modèle abliteré y est donc faible, et la perte n'est pas mesurée. Le seul cas où la question se pose est celui que cible OrcaRouter : l'analyse de journaux d'attaque par une équipe de sécurité autorisée. Même là, la fiche renvoie la responsabilité des garde-fous à celui qui déploie. Le GGUF Unsloth, 6,5 M de téléchargements, reste le point de départ. ## Comment les essayer, si vous y tenez 1. Installer d'abord la référence : `ollama run hf.co/unsloth/Qwen3.8-27B-GGUF:UD-Q4_K_M`, et constituer un jeu de 20 requêtes représentatives de vos tâches. 2. Charger la variante abliterée dans le même outil (`ollama run huihui_ai/Qwen3.8-abliterated` ou le GGUF OrcaSAQ-2 après acceptation des conditions), avec les mêmes paramètres (température 1,0, top_p 0,95, top_k 20 en mode réflexion). 3. Comparer les sorties deux à deux : si aucune requête du jeu n'était refusée par la référence, l'écart ne peut être que négatif ou nul. 4. Ne jamais exposer ces variantes à des utilisateurs externes sans filtre en amont. À surveiller : une mesure indépendante de ce que l'abliteration coûte en raisonnement et en appel d'outils sur Qwen3.8-27B, qui manque toujours trois semaines après la sortie du modèle. ## Sources - [Fiche huihui-ai/Huihui-Qwen3.8-27B-abliterated-GGUF](https://huggingface.co/huihui-ai/Huihui-Qwen3.8-27B-abliterated-GGUF) - [Fiche orcarouter/OrcaSAQ-2-Cyber-27B-Uncensored-GGUF](https://huggingface.co/orcarouter/OrcaSAQ-2-Cyber-27B-Uncensored-GGUF) - [Fiche unsloth/Qwen3.8-27B-GGUF](https://huggingface.co/unsloth/Qwen3.8-27B-GGUF) --- # d3 : vLLM Semantic Router prend la tête du Decision Index, JEV-35B et Lightning 4B descendent en taille > L'équipe vLLM Semantic Router publie d3, un modèle de décision de 27 B dont la fiche annonce 65,5 au Decision Index public, devant pplx-decider (61,6). En trois jours, AutoTrust (JEV-35B, 3 B actifs) et H2O.ai (Lightning 4B) ajoutent deux modèles du même type, et la taille utile descend jusqu'à 4 B. *13 octobre 2026 · Agents & outils · Radar IA* — https://clauzelfamille-dot.github.io/radar-ia/articles/2026-10-13-agents-d3-decision-index.html L'équipe vLLM Semantic Router publie [d3](https://huggingface.co/vllm-sr/d3), un modèle de décision de 27 B dont la fiche annonce 65,5 au Decision Index public, devant pplx-decider (61,6), traité hier. En trois jours, AutoTrust avec [JEV-35B](https://huggingface.co/autotrust/JEV-35B) et H2O.ai avec [H2O-Lightning-4B](https://huggingface.co/h2oai/h2o-lightning-4b) ajoutent deux modèles du même type, et la taille utile descend jusqu'à 4 B. ## Ce que fait d3 d3 est un dérivé de [Qwen3.8-27B](https://huggingface.co/Qwen/Qwen3.8-27B), publié sous Apache 2.0. La fiche compte 26,1 B de paramètres, dont 0,46 B pour l'encodeur de vision. Il ne génère pas de texte : on lui soumet un état (texte ou JSON, plusieurs images PNG, JPEG ou WebP, plusieurs vidéos MP4, WebM, MOV ou MKV) et des questions typées (choix, oui/non, score), et il renvoie une probabilité par réponse. C'est le même principe que clef, pplx-decider ou d1, avec la vidéo en plus. Les images sont lues jusqu'à 1,6 mégapixel, les vidéos à 2 images par seconde, 32 images au plus. ## Ce que la fiche annonce, et ce qu'il faut vérifier Le chiffre mis en avant est 65,45 sur la suite publique du Decision Index 0.3 ; le tableau détaillé donne 64,7 sur la version 0.3.1, les deux sections ne concordent donc pas tout à fait. Le gain annoncé sur le modèle précédent (Decision 2.0, 27 B) est de 8,5 points. Sur la vision, la fiche affiche 71,6 contre 70,6 pour pplx-decider ; sur la vidéo, 77,4 au Perception Test, marqué « évaluation interne ». Plusieurs résultats visuels sont signalés comme des reconstructions approximatives, et les scores des concurrents viennent du tableau de bord public, pas d'une mesure refaite. Autrement dit : tout est auto-déclaré, et le [Decision Index communautaire](https://huggingface.co/spaces/multimodalart/jev-decision-index) n'a pas encore confirmé le 65,5. Côté matériel, la fiche ne donne aucun minimum de mémoire. Les latences (55 ms en texte, 273 ms avec image, 553 ms avec une vidéo de 10 s) sont mesurées sur un AMD MI325X, une carte de centre de données. Aucun GGUF n'est listé, et l'usage passe par Transformers 5.17 avec `trust_remote_code` et un appel `model.system_one(...)`. Aucune langue n'est indiquée. Pour un test sur PC, ce n'est pas le candidat du jour. ## JEV-35B et Lightning 4B : la même idée, en plus léger | Modèle | Taille | Score annoncé | Matériel indiqué | Entrées | |---|---|---|---|---| | d3 | 27 B dense | Decision Index 65,5 (public) | non précisé, mesuré sur MI325X | texte, images, vidéos | | JEV-35B | 35 B MoE, 3 B actifs | Decision Index 59,7 (NVFP4 : 59,2) | BF16 72 Go (GPU 80 Go) ; NVFP4 25,6 Go (GPU 32 Go) | texte, images | | H2O-Lightning-4B | 4 B (5 B affichés) | JevBench v1.6.1 : 72,5 ; 88,7 % sur 231 items texte | 7 quantisations llama.cpp / Ollama / LM Studio | texte, 4 images au plus | | pplx-decider v1.1 | 27 B dense | Decision Index 61,6 | 49 Go en BF16 (vu le 12/10) | texte, images | JEV-35B, base Qwen3.5-35B-A3B, dépasse JEV-27B-VL sur 24 des 37 benchmarks de sa fiche, avec une latence médiane de 204 ms sur B200. La fiche est franche sur ses faiblesses : connaissances et raisonnement (GPQA 0,360, HLE à 0), anglais surtout, et elle recommande encore JEV-27B-VL pour les jeux. H2O-Lightning-4B, base Qwen3.5-4B, ne cite pas le Decision Index mais un autre classement, JevBench, où il annonce 72,5 en composite ; les deux ne sont pas comparables. Son argument est ailleurs : 29 ms par décision sur une RTX PRO 4500, 7 quantisations, et une étude de seuils de routage utile en production. Au seuil 0,9, la fiche annonce 53,1 % de questions escaladées, 98,5 % de bonnes réponses sur le reste et 0,7 % de réponses confiantes mais fausses. Plus de 99 % des données d'entraînement sont en anglais. ## Comment l'essayer 1. Sur un PC avec 8 à 12 Go de VRAM, prendre une quantisation de [H2O-Lightning-4B](https://huggingface.co/h2oai/h2o-lightning-4b) dans LM Studio ou Ollama ; la fiche fournit aussi un serveur vLLM 0.30 avec un adaptateur qui expose `/v1/systemone`. 2. Préparer dix tickets ou factures en français avec trois questions typées : un choix (catégorie), un oui/non (pièce manquante ?), un score (urgence 0-5). 3. Passer le même lot à [GLiNER2.5-Decide](https://huggingface.co/fastino/GLiNER2.5-Decide) (CPU) et à [d1-3B en GGUF](https://huggingface.co/LiquidAI/d1-3B-GGUF), puis compter les erreurs et le taux d'escalade à 0,9. 4. Pour une mesure plus large, le jeu [typed-decisions](https://huggingface.co/datasets/LocalLLaMA/typed-decisions) (1,6 k lignes, dont des factures) sert de référence commune. À surveiller : la confirmation du 65,5 de d3 par le tableau de bord communautaire, l'apparition de GGUF pour d3 et JEV-35B, et surtout les premiers chiffres en français, absents des trois fiches. ## Sources - [Fiche vllm-sr/d3](https://huggingface.co/vllm-sr/d3) - [Fiche autotrust/JEV-35B](https://huggingface.co/autotrust/JEV-35B) - [Fiche h2oai/h2o-lightning-4b](https://huggingface.co/h2oai/h2o-lightning-4b) --- # LightOnOCR-3 : l'OCR de LightOn passe sur Qwen3.5, avec boîtes et graphiques convertis en tableaux > LightOn, éditeur parisien, publie LightOnOCR-3 en deux tailles, 4 B et 0,8 B, sous Apache 2.0. La fiche du 4 B annonce 86,3 sur olmOCR-bench et ajoute un mode « grounding » qui renvoie, pour chaque bloc de la page, un type et une boîte. *13 octobre 2026 · Documents & OCR · Radar IA* — https://clauzelfamille-dot.github.io/radar-ia/articles/2026-10-13-documents-lightonocr-3-grounding.html LightOn, éditeur parisien, publie LightOnOCR-3 en deux tailles, [4 B](https://huggingface.co/lightonai/LightOnOCR-3-4B) et [0,8 B](https://huggingface.co/lightonai/LightOnOCR-3-0.8B), sous Apache 2.0. La fiche du 4 B annonce 86,3 sur olmOCR-bench et ajoute un mode « grounding » qui renvoie, pour chaque bloc de la page, un type et une boîte : de quoi relier un tableau extrait à sa position dans le PDF d'origine. ## Ce que fait le modèle LightOnOCR-3 est un OCR de bout en bout : une image de page en entrée, du markdown en sortie, sans pipeline de détection séparé. Le 4 B passe sur l'architecture vision-langage Qwen3.5 ; le 0,8 B est affiné depuis Qwen3.5-0.8B-Base. Deux prompts seulement sont dans la distribution d'entraînement. Le prompt vide donne la transcription markdown. Le prompt `grounding` ajoute, devant chaque bloc, un label parmi 16 types (texte, titre, tableau, graphique, formule, etc.), un suffixe « + » pour les blocs qui continuent une colonne, et une boîte en coordonnées normalisées de 0 à 1000. Dans ce mode, les images reçoivent une courte description et les graphiques sont convertis en tableaux HTML de données. La fiche prévient que toute autre instruction est hors distribution, et que le modèle tourne avec le mode de réflexion désactivé. ## Ce que la fiche annonce, et ce qu'il faut vérifier Les scores du 4 B sont olmOCR-bench 86,3 (Arxiv Math 91,1, Old Scans Math 89,1) et ParseBench 75,1 en moyenne ; les autres colonnes ne sont pas lisibles dans le texte de la page, et aucun tableau comparatif avec d'autres OCR n'y figure. Ces chiffres sont auto-déclarés. Le 0,8 B n'a aucun score publié : il est présenté comme « rapide et efficace », sans mesure de débit chiffrée, ni pour lui ni pour le 4 B. Hugging Face affiche 5 B de paramètres pour le modèle nommé 4 B, et 0,9 B pour le 0,8 B, sans explication. Aucune langue n'est listée pour le 4 B ; les métadonnées du 0,8 B ne mentionnent que l'anglais. Pour un éditeur français, c'est le point à tester en premier. Le mode grounding coûte environ 25 % de tokens en plus (1 433 contre 1 158 par page en moyenne). La fiche référence 13 quantisations pour llama.cpp, Ollama, LM Studio et Jan, sans nommer le format. D'après la page de liste, le 4 B cumule 3,2 k téléchargements et 76 likes depuis le 6 octobre. ## Face à Youtu-Parsing-Omni et TeleOCR [](https://huggingface.co/tencent/Youtu-Parsing-Omni) [](https://huggingface.co/XingChen-AGI/TeleOCR) | Modèle | Taille | Sortie | Score annoncé | Licence | En local | |---|---|---|---|---|---| | LightOnOCR-3-4B | 4 B (5 B affichés) | markdown, boîtes, graphiques en tableaux HTML | olmOCR-bench 86,3 | Apache 2.0 | 13 quantisations | | LightOnOCR-3-0.8B | 0,9 B | idem | aucun | Apache 2.0 | GPU léger, pas de quantisation listée | | Youtu-Parsing-Omni | 5 B | JSON (mise en page, tableaux OTSL, LaTeX, Mermaid, audio) | OmniDocBench 97,0 | propre | GPU requis | | TeleOCR | 1,2 B | OCR, tableaux, formules, mise en page | voir fiche | Apache 2.0 | GGUF | Les trois ne sont pas mesurés sur le même banc : olmOCR-bench d'un côté, OmniDocBench de l'autre. Ce que LightOn apporte, c'est la licence Apache 2.0 et une sortie markdown avec boîtes, plus simple à relire qu'un JSON complet ; ce que Tencent apporte, c'est la structure (OTSL, Mermaid) et l'audio. TeleOCR reste le plus petit des trois à proposer des GGUF. ## Comment l'essayer 1. Sans rien installer : déposer un PDF ou une image sur le Space [LightOnOCR-3-Demo](https://huggingface.co/spaces/lightonai/LightOnOCR-3-Demo) et comparer les sorties des deux prompts. 2. En local : prendre une quantisation du 4 B dans LM Studio ou Ollama. Rendre les PDF à 400 DPI, côté le plus long à 2048 px, en gardant les proportions, comme le recommande la fiche. 3. Avec un GPU : `vllm serve lightonai/LightOnOCR-3-4B --trust-remote-code`, réflexion désactivée, puis envoyer l'image seule (prompt vide) ou avec `grounding`. 4. Constituer un lot de 20 pages en français (procédures scannées, tableaux à cellules fusionnées, en-têtes avec logos) et passer le même lot à Youtu-Parsing-Omni, vu le 12 octobre : compter les accents perdus, les cellules décalées et le temps par page. À surveiller : un résultat chiffré en français, des quantisations pour le 0,8 B, et une reproduction indépendante du 86,3. ## Sources - [Fiche lightonai/LightOnOCR-3-4B](https://huggingface.co/lightonai/LightOnOCR-3-4B) - [Fiche lightonai/LightOnOCR-3-0.8B](https://huggingface.co/lightonai/LightOnOCR-3-0.8B) --- # GGUF officiels : Mellum 2.1 tient en 8 Go, MiniCPM-V 4.7 et d1-3B livrent aussi leur version locale > JetBrains publie les GGUF officiels de Mellum 2.1, son MoE de code à 2,5 B actifs : 8,1 Go en Q4_K_M, contexte 131 k, une commande Ollama. La même semaine, OpenBMB (MiniCPM-V 4.7) et Liquid AI (d1-3B) livrent eux-mêmes la version quantisée. *13 octobre 2026 · LLM en local · Radar IA* — https://clauzelfamille-dot.github.io/radar-ia/articles/2026-10-13-local-gguf-officiels-mellum.html JetBrains publie les [GGUF officiels de Mellum 2.1](https://huggingface.co/JetBrains/Mellum2.1-12B-A2.5B-Thinking-GGUF), son MoE de code à 2,5 B actifs : 8,1 Go en Q4_K_M, contexte 131 k, une commande Ollama. La même semaine, OpenBMB livre [MiniCPM-V 4.7](https://huggingface.co/openbmb/MiniCPM-V-4.7-35B-A3B) avec ses GGUF et Liquid AI publie [d1-3B-GGUF](https://huggingface.co/LiquidAI/d1-3B-GGUF) : les éditeurs n'attendent plus la communauté pour sortir la version locale. ## Mellum 2.1 en GGUF : ce que la fiche donne Le modèle d'origine, [Mellum2.1-12B-A2.5B-Thinking](https://huggingface.co/JetBrains/Mellum2.1-12B-A2.5B-Thinking), compte 64 experts dont 8 actifs par token, sous Apache 2.0, et écrit son raisonnement dans des blocs ``. D'après la page de liste, sa fiche annonce 47 sur SWE-bench Verified et 82 sur LiveCodeBench ; la page GGUF, elle, ne publie aucun benchmark de capacité et renvoie au modèle d'origine. Elle donne en revanche ce que les GGUF communautaires donnent rarement : une mesure de fidélité par quantisation. | Fichier | Taille | Divergence KL vs BF16 | Même premier token | |---|---|---|---| | BF16 | 24,3 Go | référence | référence | | Q8_0 | 12,9 Go | 0,008 | 96,1 % | | Q6_K | 10,9 Go | 0,020 | 93,9 % | | Q4_K_M (recommandé) | 8,1 Go | 0,075 | 88,0 % | | MXFP4_MOE | 7,0 Go | 0,115 | 85,6 % | Ces mesures sont faites sur Wikitext-2 avec un contexte de 512 tokens, donc sur du texte, pas sur du code, et sur un contexte court. En Q4, 12 % des premiers tokens diffèrent de la version complète : à vérifier sur une tâche de code réelle avant d'en faire son agent du quotidien. Paramètres recommandés : température 0,6, top_p 0,95, top_k 20. La base compte 20,6 k téléchargements ; la page en affiche 7,8 k sur le mois. ## MiniCPM-V 4.7 et d1-3B : deux autres livraisons directes MiniCPM-V 4.7 35B-A3B est le premier MoE de la série, sous Apache 2.0, avec un LLM issu de Qwen3.6 et un encodeur SigLIP2 qui compresse les tokens visuels par 4 ou par 16. La fiche liste FP8, int4, AWQ, GPTQ, GGUF pour CPU, un modèle de brouillon « DSpark » pour le décodage spéculatif, et une présence sur Ollama. Elle annonce plus de 13 tokens par seconde sur un iPhone 17 Pro Max et un score global supérieur à Qwen3.6 35B-A3B en mode Instruct, mais les chiffres ne sont présentés qu'en images : aucun score OCR ou DocVQA n'est lisible dans le texte, et la mémoire requise n'est pas indiquée. Des guides OCR, PDF et grounding sont fournis. Le petit frère MiniCPM-V-4.7-1B n'a pas pu être lu ce matin : sa page ne répond pas. [d1-3B-GGUF](https://huggingface.co/LiquidAI/d1-3B-GGUF) apporte le modèle de décision de Liquid AI, vu le 11 octobre, en 1,67 Go (Q4_K_M), 2,87 Go (Q8_0) ou 5,4 Go (BF16), sous licence LFM 1.0, à relire avant tout usage commercial. L'intérêt est ailleurs : llama.cpp expose directement un point d'entrée `/v1/systemone` qui accepte un état (texte, JSON, images en base64) et des questions typées. Aucun benchmark sur la page GGUF ; la base compte déjà 16,8 k téléchargements. ## Face aux GGUF communautaires Jusqu'ici, la version locale venait de la communauté : [Underdog-Saluki](https://huggingface.co/ConwayResearch/Underdog-Saluki-27B-1.0) (Qwen3.8-27B en 7,9 Go, 242 k téléchargements) ou les Swift-Qwen3.8 vus le 11 octobre. Ces versions arrivent vite, mais sans mesure de fidélité, avec des noms de fichiers variables et parfois des modifications non documentées. Un GGUF d'éditeur apporte trois choses : le modèle de chat et la quantisation sont alignés, la perte est chiffrée, et le serveur de référence est supporté le jour de la sortie. Le revers : les éditeurs ne publient pas toujours les plus petites tailles, et les chiffres de perte restent les leurs. ## Comment l'essayer 1. Mellum, sur un PC avec 16 Go de RAM ou une carte de 12 Go : `ollama run hf.co/JetBrains/Mellum2.1-12B-A2.5B-Thinking-GGUF:Q4_K_M`. Avec llama.cpp, ramener `--ctx-size` à 32 768 plutôt que 131 072 si la mémoire manque, et filtrer les blocs `` côté application. 2. d1-3B : `llama-server -hf LiquidAI/d1-3B-GGUF:Q4_K_M`, puis un `curl` sur `http://127.0.0.1:8080/v1/systemone` avec un ticket et trois questions typées. 3. MiniCPM-V 4.7 : passer par Ollama ; la fiche ne donne pas la taille des GGUF, prévoir au moins les 3 B actifs en mémoire vive plus le reste des experts sur disque ou en RAM. 4. Comparer Mellum Q4_K_M et Q6_K sur une même tâche de dépôt (ajouter un test, corriger un bug) et noter les écarts : c'est la seule façon de savoir ce que valent les 12 % de tokens perdus. À surveiller : un GGUF officiel pour d3 et JEV-35B, la fiche du MiniCPM-V-4.7-1B, et des mesures de fidélité sur du code plutôt que sur Wikitext. ## Sources - [Fiche JetBrains/Mellum2.1-12B-A2.5B-Thinking-GGUF](https://huggingface.co/JetBrains/Mellum2.1-12B-A2.5B-Thinking-GGUF) - [Fiche openbmb/MiniCPM-V-4.7-35B-A3B](https://huggingface.co/openbmb/MiniCPM-V-4.7-35B-A3B) - [Fiche LiquidAI/d1-3B-GGUF](https://huggingface.co/LiquidAI/d1-3B-GGUF) --- # pplx-decider v1.1 : Perplexity prend la tête du Decision Index, JEV-27B-VL garde l'image > Perplexity publie pplx-decider-v1.1-27b, un modèle de décision dérivé de Qwen3.8-27B qui ne génère aucun texte et renvoie une probabilité par option. Sa fiche annonce 61,6 au Decision Index, devant Jev (57,9), pendant que JEV-27B-VL d'AutoTrust reste premier du tableau vision. *12 octobre 2026 · Agents & outils · Radar IA* — https://clauzelfamille-dot.github.io/radar-ia/articles/2026-10-12-agents-pplx-decider-perplexity.html Perplexity publie [pplx-decider-v1.1-27b](https://huggingface.co/perplexity-ai/pplx-decider-v1.1-27b), un modèle de décision dérivé de Qwen3.8-27B qui ne génère aucun texte et renvoie une probabilité par option. Sa fiche annonce 61,6 au Decision Index, devant Jev (57,9), pendant que [JEV-27B-VL](https://huggingface.co/autotrust/JEV-27B-VL) d'AutoTrust reste premier du tableau vision. ## Ce que fait le modèle Un modèle de décision ne rédige pas de réponse. On lui donne un texte, éventuellement des images, et une question fermée avec ses options : « facturation », « support » ou « ventes » pour router une demande. Il renvoie une probabilité par option en une seule passe avant. Pas de JSON à réparer, un coût d'inférence prévisible. pplx-decider-v1.1 reprend le tronc Qwen3.8-27B et remplace la tête de génération par une tête de décision (un fichier `readout.safetensors` de 255 × 5 120). La fiche précise une particularité : les couches d'attention complète fonctionnent en mode non causal, chaque token « voit » tout le contexte, comme dans un encodeur. L'entrée est limitée à 8 192 tokens, texte et images compris ; les entrées trop longues sont rejetées plutôt que tronquées. Les images sont ramenées à 512 × 512 pixels au plus pour reproduire les conditions d'évaluation. ## Ce que la fiche annonce, et ce qu'il faut vérifier Perplexity publie un tableau du Decision Index en cinq catégories. La v1.1 obtient 61,56 au global, contre 56,4 pour la v1 et 57,9 pour Jev. Le gain vient des catégories Language (69,5), Retrieval (61,3) et Knowledge (48,2) ; sur Tools, la v1.1 recule légèrement (78,9 contre 79,3 pour la v1). Ces chiffres sont auto-déclarés. La fiche renvoie au [Space Jev Decision Index](https://huggingface.co/spaces/multimodalart/jev-decision-index), dont nous n'avons pu lire que la description, pas le tableau. Trois points pratiques. Les poids pèsent environ 49 Go en BF16 : il faut un GPU de 80 Go ou une quantisation. La fiche ne décrit aucun GGUF officiel ; l'arbre du modèle liste trois quantisations communautaires, sans détail. Enfin, la fiche parle d'un accès Hugging Face authentifié : un jeton peut être nécessaire au téléchargement. Les langues couvertes ne sont pas précisées. ## Face à JEV-27B-VL, clef-omni et d1-omni-600M Quatre familles partagent désormais le même format d'entrée-sortie. JEV-27B-VL repose sur la même base Qwen3.8-27B, mais garde un tronc intact et ajoute un adaptateur LoRA : il peut donc aussi générer du texte (« System 2 »), accepte jusqu'à 256 k tokens et expose une route `/v1/decide` dans vLLM. Sa fiche le place premier du Decision Index Vision (69,8, évaluation communautaire du 7 octobre) avec une erreur de calibration de 0,019. Elle précise aussi que la tête de décision n'a été entraînée que sur du texte : les décisions sur image sont zero-shot. | Modèle | Base | Taille | Entrées | Decision Index (fiche) | Poids | Licence | |---|---|---|---|---|---|---| | pplx-decider-v1.1-27b | Qwen3.8-27B | 27 B | texte, image | 61,6 (texte) | ≈ 49 Go BF16 | Apache 2.0 | | JEV-27B-VL | Qwen3.8-27B + LoRA | 27 B | texte, image, génération | 69,8 (vision) | ≈ 52 Go BF16 | Apache 2.0 | | clef-omni | Qwen3-Omni-30B-A3B | 30 B, 3 B actifs | texte, image, audio, vidéo | non publié | ≈ 64 Go BF16, 8 quantisations | Apache 2.0 | | d1-omni-600M | LFM2 | 0,6 B | texte, image, audio 30 s | 15,95 (calcul Liquid AI) | F32, tourne sur CPU | LFM 1.0 | Deux remarques. [clef-omni](https://huggingface.co/Cloudflare/clef-omni) est le seul à accepter l'audio et la vidéo, mais sa fiche ne publie pas de score Decision Index global, seulement des benchmarks internes (MMLU 92,7 %, 60,2 % d'actions exactes sur un flux de factures). [d1-omni-600M](https://huggingface.co/LiquidAI/d1-omni-600M) est le seul qui tourne sur CPU ; son score de 15,95, calculé par Liquid AI avec le scorer officiel et non soumis au tableau, donne la mesure de l'écart avec les 27 B. Le choix dépend donc du matériel disponible plus que du classement. ## Comment l'essayer 1. Sans GPU : commencer par d1-omni-600M, ou par GLiNER2.5-Decide vu hier, pour valider le format « question fermée + options » sur un échantillon de vos courriers ou factures. 2. Avec un GPU de 24 Go : attendre une quantisation de pplx-decider. La fiche n'en documente pas, et le modèle n'a pas de `lm_head` complet, ce qui complique les conversions habituelles. 3. Avec un GPU de 80 Go : lancer JEV-27B-VL sous vLLM avec `--max-num-seqs 8` (obligatoire selon la fiche, sinon les probabilités sont fausses), puis pplx-decider via son script `autojev.model` en Python 3.12, et comparer sur les mêmes lignes. 4. Mesurer vous-même : le jeu [typed-decisions](https://huggingface.co/datasets/LocalLLaMA/typed-decisions) (1,6 k décisions, dont des factures) sert de base commune ; regarder la calibration plutôt que la seule précision. À surveiller : l'inscription de pplx-decider au tableau communautaire, et l'arrivée d'une version quantisée qui le rendrait exploitable sous 80 Go. ## Sources - [Fiche perplexity-ai/pplx-decider-v1.1-27b](https://huggingface.co/perplexity-ai/pplx-decider-v1.1-27b) - [Fiche autotrust/JEV-27B-VL](https://huggingface.co/autotrust/JEV-27B-VL) - [Fiche Cloudflare/clef-omni](https://huggingface.co/Cloudflare/clef-omni) - [Fiche LiquidAI/d1-omni-600M](https://huggingface.co/LiquidAI/d1-omni-600M) - [Fiche multimodalart/jev-decision-index](https://huggingface.co/spaces/multimodalart/jev-decision-index) --- # Youtu-Parsing-Omni : Tencent transforme pages, tableaux et audio en un seul JSON > Tencent publie Youtu-Parsing-Omni, un modèle de 5 B qui convertit une page de document, un graphique, un organigramme, un fichier audio ou une vidéo en un seul bloc JSON structuré. Sa fiche annonce 97,0 sur OmniDocBench v1.6, au niveau des meilleurs OCR spécialisés, mais il exige un GPU et porte une licence propre. *12 octobre 2026 · Documents & OCR · Radar IA* — https://clauzelfamille-dot.github.io/radar-ia/articles/2026-10-12-documents-youtu-parsing-omni.html Tencent publie [Youtu-Parsing-Omni](https://huggingface.co/tencent/Youtu-Parsing-Omni), un modèle de 5 B qui convertit une page de document, un graphique, un organigramme, un fichier audio ou une vidéo en un seul bloc JSON structuré. Sa fiche annonce 97,0 sur OmniDocBench v1.6, au niveau des meilleurs OCR spécialisés, mais il exige un GPU et porte une licence propre. ## Ce que fait le modèle Les outils de parsing documentaire produisent en général du Markdown. Youtu-Parsing-Omni renvoie du JSON : chaque élément de la page arrive avec son type, son ordre de lecture et sa boîte englobante sur une grille de 0 à 1 000. Les tableaux sont décrits en OTSL, un format compact convertible en HTML ; les formules en LaTeX ; les graphiques en Markdown ; les organigrammes en Mermaid. Pour l'audio et la vidéo, le même JSON contient la transcription et des horodatages au format HH:MM:SS. Le modèle repose sur un encodeur unique, Youtu-Omni-Encoder, et un décodeur Youtu-LLM. La fiche décrit trois étapes de post-entraînement : affinage supervisé, apprentissage par renforcement guidé par le schéma de sortie, puis distillation. Huit tâches sont exposées par un paramètre `--task` : document, image naturelle, graphique, organigramme, figure géométrique, audio, vidéo naturelle, vidéo riche en texte. ## Ce que la fiche annonce, et ce qu'il faut vérifier Sur OmniDocBench v1.6, la fiche donne 96,96 au global, avec un TEDS tableaux de 96,79 et une distance d'édition texte de 0,027. Dans le même tableau, PaddleOCR-VL-1.6 (0,9 B) obtient 96,34, MinerU2.5-Pro (1,2 B) 95,75 et Gemini-3-Pro 92,91. À titre de comparaison, [TeleOCR](https://huggingface.co/XingChen-AGI/TeleOCR) (1,2 B) annonce de son côté 96,87 : un écart de 0,1 point, chacun mesuré par ses auteurs. Sur OmniParsingBench, le benchmark multimodal créé pour l'occasion, le modèle fait 75,08, derrière Gemini-3-Pro (77,44), et se présente comme le meilleur à poids ouverts. Sur la chimie (ChemOCR) et les partitions musicales, il fait jeu égal ou légèrement moins bien que les spécialistes. Plusieurs réserves. Le rapport technique est annoncé « à venir » dans l'en-tête alors que la rubrique actualités le dit publié ; le code d'évaluation est marqué « TBD ». Les langues couvertes ne sont pas précisées : rien n'indique le niveau en français. La licence « youtu-parsing » est un texte propre dont nous n'avons pas lu les clauses ; il faut le faire avant tout usage en entreprise. Le format PDF n'est pas cité : la fiche travaille sur des images de pages. Enfin, l'inférence exige un GPU CUDA et `trust_remote_code=True`, c'est-à-dire l'exécution de code livré avec le modèle ; la fiche recommande d'épingler une révision précise. Aucune VRAM minimale n'est donnée ; la configuration vLLM publiée fixe un contexte de 65 536 tokens et 70 % de la mémoire GPU. ## Face à TeleOCR et aux OCR légers | | Youtu-Parsing-Omni | TeleOCR | |---|---|---| | Taille | 5 B | 1,2 B | | Entrées | pages, graphiques, audio, vidéo | pages | | Sortie | JSON (OTSL, LaTeX, Mermaid, boîtes) | texte, OTSL, LaTeX, layout | | OmniDocBench v1.6 (fiche) | 96,96 | 96,87 | | Langues annoncées | non précisées | chinois, anglais | | Licence | youtu-parsing (propre) | Apache 2.0 | | Local sans GPU | non | GGUF communautaires (llama.cpp, Ollama) | Le choix est clair pour un PC de bureau : TeleOCR tourne en GGUF et sa licence est permissive. Youtu-Parsing-Omni vise une station ou un serveur, et apporte en échange la sortie JSON unifiée et les modalités audio et vidéo. Pour tester sur des documents réels, le jeu [bharat-government-documents](https://huggingface.co/datasets/ankitjh4/bharat-government-documents) repéré ce matin ne conviendra pas : d'après sa fiche, il contient 65 k textes déjà extraits de sites administratifs indiens (40 Go, droits par source), pas de scans. ## Comment l'essayer 1. Sur une station avec GPU : installer vLLM 0.19 et le plugin `vllm-plugin-vita-omni` indiqués par la fiche, puis lancer le serveur compatible OpenAI avec `--max-model-len 65536`. 2. Convertir dix PDF représentatifs en PNG (une page par image, 200 dpi) : factures, formulaires scannés, comptes rendus avec tableaux. 3. Appeler la tâche `document`, enregistrer le JSON, convertir les tableaux OTSL en HTML et compter les cellules fausses sur deux tableaux par page. 4. Passer les mêmes pages à TeleOCR en GGUF sur le PC et comparer : qualité des tableaux, respect de l'ordre de lecture, temps par page. 5. Lire la licence et noter la révision du dépôt utilisée avant toute intégration. À surveiller : la publication du rapport technique et du code d'évaluation, le texte de la licence, et une éventuelle quantisation qui ramènerait le modèle sous 16 Go de VRAM. ## Sources - [Fiche tencent/Youtu-Parsing-Omni](https://huggingface.co/tencent/Youtu-Parsing-Omni) - [Fiche XingChen-AGI/TeleOCR](https://huggingface.co/XingChen-AGI/TeleOCR) - [Fiche ankitjh4/bharat-government-documents](https://huggingface.co/datasets/ankitjh4/bharat-government-documents) --- # EmbeddingGemma 2 : la recherche sémantique multilingue tient en 176 Mo sur un PC > Google publie EmbeddingGemma 2, un modèle d'embeddings de 0,74 B qui place texte, images, audio et vidéo dans le même espace vectoriel, et Unsloth le décline en GGUF à partir de 176 Mo. Pour une recherche documentaire locale, sans serveur ni API, c'est une brique à essayer. *12 octobre 2026 · LLM en local · Radar IA* — https://clauzelfamille-dot.github.io/radar-ia/articles/2026-10-12-local-embeddinggemma-2-gguf.html Google publie [EmbeddingGemma 2](https://huggingface.co/google/embeddinggemma-2), un modèle d'embeddings de 0,74 B qui place texte, images, audio et vidéo dans le même espace vectoriel, et Unsloth le décline en [GGUF](https://huggingface.co/unsloth/embeddinggemma-2-GGUF) à partir de 176 Mo. Pour une recherche documentaire locale, sans serveur ni API, c'est une brique à essayer. ## Ce que fait le modèle Un modèle d'embeddings transforme un texte (ou une image) en un vecteur de nombres. Deux contenus proches de sens donnent des vecteurs proches : c'est la base de la recherche sémantique et du RAG. EmbeddingGemma 2 totalise 740 M de paramètres selon sa fiche : un tronc texte de 130 M, un « embedder » de 140 M, un encodeur vision de 170 M et un encodeur audio de 300 M. On peut ne charger qu'une partie : 270 M pour le texte seul, 440 M avec les images, 740 M pour tout. Les vecteurs font 768 dimensions, mais le modèle est entraîné en « Matryoshka » : on peut les tronquer à 512, 256 ou 128 dimensions, puis les renormaliser, pour diviser le stockage par six. Le contexte atteint 8 192 tokens, partagés entre modalités (environ 29 images ou 327 secondes d'audio). La fiche annonce plus de 100 langues couvertes et 140 à l'entraînement ; le français n'est pas cité nommément. ## Ce que la fiche annonce, et ce qu'il faut vérifier Les résultats sont ceux de Google DeepMind, sans vérification tierce mentionnée. Sur MTEB multilingue v2, la fiche donne 61,36, contre 61,15 pour la première version : le gain en texte pur est faible. Le progrès est net sur le code (78,68 contre 68,76) et sur les nouvelles modalités : 57,28 en recherche d'images (MMEB v2), 67,84 sur les documents visuels (VisDoc). La troncature coûte peu : 61,17 en 512 dimensions, 60,41 en 256, 57,89 en 128. Trois points à vérifier. La licence, d'abord : l'en-tête affiche Apache 2.0 mais le lien pointe vers un document « gemma_4_license » ; la base Radar l'enregistre comme licence Gemma. À lire avant un usage professionnel. Ensuite, le modèle exige des préfixes de tâche : `task: search result | query:` pour une requête, `title: none | text:` pour un document ; les oublier dégrade les résultats. Enfin, la fiche déconseille le float16 (risque de valeurs NaN) et recommande bfloat16 ou float32. Aucun chiffre de mémoire n'est donné. ## Les versions GGUF et la démo navigateur La fiche Google ne mentionne ni GGUF, ni ONNX, ni MLX, mais son arbre compte 62 quantisations tierces. Celle d'Unsloth est la plus téléchargée (59 k en un mois d'après la page de liste). Elle ne couvre que la partie texte (0,3 B) : pas d'images ni d'audio en GGUF pour l'instant. | Variante | Précision | Taille | |---|---|---| | UD-Q4_K_XL | 4 bits | 176 Mo | | UD-Q5_K_XL | 5 bits | 210 Mo | | UD-Q6_K_XL | 6 bits | 249 Mo | | Q8_0 | 8 bits | 310 Mo | | BF16 / F16 | 16 bits | 558 Mo | Le Space [embeddinggemma-2-webgpu](https://huggingface.co/spaces/webml-community/embeddinggemma-2-webgpu) montre l'autre voie : on dépose images, vidéos, sons ou textes, les embeddings sont calculés dans le navigateur via WebGPU, et une requête retrouve les médias correspondants. Rien ne quitte le poste. Sa page ne détaille ni la pile technique ni les prérequis ; un navigateur compatible WebGPU est à prévoir. ## Comment l'essayer 1. Installer la version GGUF : `ollama run hf.co/unsloth/embeddinggemma-2-GGUF:UD-Q4_K_XL`, ou `llama-server -hf unsloth/embeddinggemma-2-GGUF:UD-Q4_K_XL` pour obtenir un point d'accès local. 2. En Python, charger `SentenceTransformer("google/embeddinggemma-2")` et encoder avec `prompt_name="SearchQuery"` pour les questions et `prompt_name="Document"` pour les textes. 3. Constituer un lot de 200 documents internes en français (comptes rendus, procédures), indexer en 256 dimensions, puis noter si les 10 premiers résultats de 20 questions sont pertinents. Refaire la mesure en 768 dimensions pour voir si la troncature coûte quelque chose sur votre corpus. 4. Pour les scans et schémas, tester la version complète (740 M) en bfloat16 : c'est elle qui indexe les images. À surveiller : la clarification de la licence et l'arrivée d'une quantisation qui embarque les encodeurs image et audio, condition pour une recherche multimodale vraiment locale. ## Sources - [Fiche google/embeddinggemma-2](https://huggingface.co/google/embeddinggemma-2) - [Fiche unsloth/embeddinggemma-2-GGUF](https://huggingface.co/unsloth/embeddinggemma-2-GGUF) - [Fiche webml-community/embeddinggemma-2-webgpu](https://huggingface.co/spaces/webml-community/embeddinggemma-2-webgpu) --- # La semaine en bref : la décision typée s'impose, Qwen3.8-27B se compresse > Premier bilan hebdomadaire du Radar, bâti sur les deux éditions disponibles. Les modèles de décision deviennent une catégorie à part entière, et Qwen3.8-27B sert de socle à la moitié des nouveautés qui tournent en local. *12 octobre 2026 · Tendances & récap · Radar IA* — https://clauzelfamille-dot.github.io/radar-ia/articles/2026-10-12-tendances-semaine-en-bref.html Premier bilan hebdomadaire du Radar, bâti sur les deux éditions disponibles (la base a démarré le 11 octobre). La ligne est déjà nette : les modèles de décision deviennent une catégorie, et Qwen3.8-27B sert de socle à la moitié des nouveautés qui tournent en local. ## Les cinq faits de la semaine ### 1. La décision typée a maintenant six acteurs et un arbitre En trois semaines, Cloudflare ([clef](https://huggingface.co/Cloudflare/clef), clef-flash, clef-omni), Convai (laya), Liquid AI ([d1-3B](https://huggingface.co/LiquidAI/d1-3B), [d1-omni-600M](https://huggingface.co/LiquidAI/d1-omni-600M)), Fastino ([GLiNER2.5-Decide](https://huggingface.co/fastino/GLiNER2.5-Decide)), AutoTrust ([JEV-27B-VL](https://huggingface.co/autotrust/JEV-27B-VL)) et Perplexity ([pplx-decider-v1.1-27b](https://huggingface.co/perplexity-ai/pplx-decider-v1.1-27b)) ont publié ou mis à jour un modèle qui répond à une question fermée par des probabilités, sans générer de texte. Tous se mesurent au même Decision Index communautaire et au jeu [typed-decisions](https://huggingface.co/datasets/LocalLLaMA/typed-decisions) (1,6 k lignes, dont des factures). JEV-27B-VL ouvre le classement du jour avec un score Radar de 84. ### 2. Qwen3.8-27B, le socle que tout le monde compresse Sept des quinze premières entrées du classement du jour sont des dérivés de [Qwen3.8-27B](https://huggingface.co/Qwen/Qwen3.8-27B) : Saluki (7,9 Go, appel d'outils conservé), Swift (58 % de tokens de réflexion en moins), Ternary-Bonsai-2, le GGUF GSQ-RCO d'ISTA et le GGUF d'Unsloth ; OrcaSAQ-2 (12,3 Go) suit un peu plus loin. Les deux décideurs 27 B de la semaine en sont issus aussi. Point de vigilance relevé par la Veille : des licences « ouvertes sous condition de chiffre d'affaires » apparaissent sur certains dérivés. ### 3. Documents : la sortie structurée rejoint l'OCR [TeleOCR](https://huggingface.co/XingChen-AGI/TeleOCR) (1,2 B, Apache 2.0, GGUF communautaires) reste la référence pour un PC. Tencent ajoute [Youtu-Parsing-Omni](https://huggingface.co/tencent/Youtu-Parsing-Omni) (5 B, GPU requis), qui produit un JSON unifié pour pages, tableaux, audio et vidéo. Les petits décideurs (GLiNER2.5-Decide, d1-omni-600M) couvrent le tri et le routage en amont. ### 4. Audio : la transcription multilingue se miniaturise [parakeet-redux](https://huggingface.co/moondream/parakeet-redux) tient en 178 Mo pour 25 langues dont le français, sur CPU. En face, le corpus [yodas3](https://huggingface.co/datasets/espnet/yodas3) (plus de 1,1 million d'heures, 100 langues et plus, CC-BY 3.0) fournit de quoi évaluer ou affiner, avec environ 102 k lignes en français d'après la fiche de liste. ### 5. Embeddings et code en local [EmbeddingGemma 2](https://huggingface.co/google/embeddinggemma-2) (0,74 B) arrive avec un GGUF Unsloth de 176 Mo et une démo WebGPU qui calcule tout dans le navigateur. Côté code, JetBrains publie [Mellum2.1-12B-A2.5B-Thinking](https://huggingface.co/JetBrains/Mellum2.1-12B-A2.5B-Thinking) : 12 B dont 2,5 B actifs, Apache 2.0, GGUF officiels annoncés mais pas encore en ligne. ## Les dix meilleurs scores sur 7 jours Classement des éléments créés depuis sept jours, généré le 12 octobre à 7 h 30. Le delta compare au rang de la veille ; « nouveau » signale une première entrée. [](https://huggingface.co/ukisai/Swift-Qwen3.8-27B-GGUF) [](https://huggingface.co/ConwayResearch/Underdog-Saluki-27B-1.0) [](https://huggingface.co/ukisai/Swift-Qwen3.8-27b) [](https://huggingface.co/unsloth/embeddinggemma-2-GGUF) [](https://huggingface.co/nerkyor/Qwen3.8-27B-Coder390-EfficientThink-Opus5.5-GPT6Astra-Grok4.7-DSV4Pro-K3-SFT-RLOO-MTP-DFlash2) [](https://huggingface.co/LiquidAI/d1-3B) [](https://huggingface.co/datasets/LocalLLaMA/typed-decisions) [](https://huggingface.co/datasets/MoreThought/Fable-5.1-Max-Reasoning-Filtered-10000x) [](https://huggingface.co/fastino/GLiNER2.5-Decide) [](https://huggingface.co/LiquidAI/d1-omni-600M) | Rang | Élément | Score | Likes | Téléchargements | Delta | |---|---|---|---|---|---| | 1 | Swift-Qwen3.8-27B-GGUF | 77 | 406 | 189 k | +1 | | 2 | Underdog-Saluki-27B-1.0 | 75 | 327 | 109 k | +2 | | 3 | Swift-Qwen3.8-27b | 74 | 583 | 19,1 k | 0 | | 4 | embeddinggemma-2-GGUF | 73 | 259 | 59,3 k | +1 | | 5 | Qwen3.8-27B-Coder390 (nerkyor) | 73 | 241 | 56,5 k | +1 | | 6 | d1-3B | 70 | 301 | 10,8 k | +2 | | 7 | typed-decisions | 70 | 163 | 38,5 k | 0 | | 8 | Fable-5.1-Max-Reasoning-Filtered-10000x | 69 | 304 | 5,3 k | +2 | | 9 | GLiNER2.5-Decide | 69 | 167 | 14,8 k | 0 | | 10 | d1-omni-600M | 66 | 105 | 10,5 k | nouveau | Lecture : les quantisations de Qwen3.8-27B dominent par les téléchargements, les modèles de décision par le nombre d'entrées (quatre sur dix). Les likes restent modestes partout, signe d'une période encore jeune pour ces sorties. À surveiller la semaine prochaine : les GGUF officiels de Mellum 2.1, une quantisation de pplx-decider, et la première comparaison indépendante entre TeleOCR et Youtu-Parsing-Omni sur des documents en français. ## Sources - [Fiche perplexity-ai/pplx-decider-v1.1-27b](https://huggingface.co/perplexity-ai/pplx-decider-v1.1-27b) - [Fiche autotrust/JEV-27B-VL](https://huggingface.co/autotrust/JEV-27B-VL) - [Fiche google/embeddinggemma-2](https://huggingface.co/google/embeddinggemma-2) - [Fiche unsloth/embeddinggemma-2-GGUF](https://huggingface.co/unsloth/embeddinggemma-2-GGUF) - [Fiche tencent/Youtu-Parsing-Omni](https://huggingface.co/tencent/Youtu-Parsing-Omni) - [Fiche LiquidAI/d1-omni-600M](https://huggingface.co/LiquidAI/d1-omni-600M) --- # parakeet-redux : la transcription en 25 langues tient désormais en 178 Mo > Moondream publie une version à poids ternaires du parakeet de NVIDIA. Le français y est, le CPU suffit, et l'horodatage par mot est inclus. Le taux d'erreur monte un peu : la question est de savoir si c'est acceptable pour des comptes rendus de réunion. *11 octobre 2026 · Voix & audio · Radar IA* — https://clauzelfamille-dot.github.io/radar-ia/articles/2026-10-11-audio-parakeet-redux.html [parakeet-redux](https://huggingface.co/moondream/parakeet-redux) est une version à 1,58 bit (poids ternaires) du modèle parakeet-tdt-0.6b-v3 de NVIDIA. Le fichier passe de 1,2 Go à 178 Mo, pour 25 langues dont le français, sous licence CC-BY-4.0. Sur huit cœurs x86, la fiche annonce 113 fois le temps réel : une heure de réunion transcrite en une trentaine de secondes, sans GPU. ## Ce que la compression coûte Les chiffres sont publiés et honnêtes. En anglais, le taux d'erreur de mots passe de 6,26 % à 6,55 %. En français (FLEURS), il passe de 4,81 % à 7,71 % : c'est l'écart le plus visible. Avec du bruit de fond, l'original tient mieux (6,72 % contre 9,04 %). En moyenne sur toutes les langues, le modèle compressé fait pourtant légèrement mieux (10,56 % contre 11,62 %). ## Ce que la version apporte - Découpage automatique des audios longs. - Horodatage par mot ou par segment, utile pour retrouver un passage dans un enregistrement. - Un format qui tourne sur un portable d'entreprise standard. ## Comment le situer Pour un flux en français, [Whistle](https://huggingface.co/Cactus-Compute/whistle) (17 Mo) reste la référence de l'ultra-léger, et le parakeet original reste plus précis. parakeet-redux se place entre les deux : plus de langues et des horodatages, dans un format qui évite le GPU. Associé à [Nemotron-3-Diarization](https://huggingface.co/nvidia/Nemotron-3-Diarization) pour savoir qui parle, il forme une chaîne complète de compte rendu de réunion entièrement locale. Le test à faire : un enregistrement réel de trente minutes, transcrit par les trois modèles, puis une relecture des passages techniques. Si l'écart de 3 points de WER ne touche que des mots courants, la version compressée suffit. ## Sources - [Fiche moondream/parakeet-redux](https://huggingface.co/moondream/parakeet-redux) - [Fiche nvidia/Nemotron-3-Diarization](https://huggingface.co/nvidia/Nemotron-3-Diarization) - [Fiche Cactus-Compute/whistle](https://huggingface.co/Cactus-Compute/whistle) --- # Trier des documents sans générer un mot : GLiNER2.5-Decide rejoint la vague des modèles de décision > Fastino publie un classifieur de 340 millions de paramètres qui répond à plusieurs questions typées en un seul appel, sur CPU. Quatrième acteur en trois semaines sur un créneau qui intéresse directement le traitement documentaire. *11 octobre 2026 · Documents & OCR · Radar IA* — https://clauzelfamille-dot.github.io/radar-ia/articles/2026-10-11-documents-gliner-decision.html Depuis trois semaines, une famille de modèles se détache sur Hugging Face : les **modèles de décision**. Au lieu de produire un texte, ils renvoient une réponse typée (oui ou non, un choix parmi une liste, une note sur une échelle) accompagnée d'une probabilité calibrée. Cloudflare a ouvert le bal avec Clef et Clef-Flash, Convai a suivi avec Laya (0,4 B, numéro 1 des likes sur trente jours), Liquid AI avec d1-3B en version multimodale. Fastino complète la série avec [GLiNER2.5-Decide](https://huggingface.co/fastino/GLiNER2.5-Decide). ## Ce que fait le modèle GLiNER2.5-Decide est un fine-tune de gliner2-large de 340 millions de paramètres, sous licence Apache 2.0. On lui donne un passage de texte et une ou plusieurs questions : une question fermée, un choix multiple, une échelle ordinale, une étiquette multi-label. Il répond à toutes en un seul appel, sans raisonnement intermédiaire ni texte libre. La fiche annonce 60,2 % de précision moyenne sur le benchmark maison « fast-decisions », évalué en anglais. Le modèle tourne sur CPU via la bibliothèque `gliner2`, ce qui le place dans la même catégorie d'usage que Laya. Pour les textes non anglais, Fastino renvoie vers [GLiNER2.5-multi-Decide](https://huggingface.co/fastino/GLiNER2.5-multi-Decide) (287 M), étiqueté multilingue. Le français n'y est pas évalué explicitement : c'est le premier point à vérifier. ## Pourquoi c'est intéressant pour le traitement documentaire Le tri de courriers, de procès-verbaux ou de fiches de non-conformité se résume souvent à quelques décisions : à traiter ou à archiver, urgent ou non, quel service, quelle criticité. Un LLM génératif sait le faire, mais il est lent, coûteux et difficile à calibrer. Un modèle de décision répond en quelques millisecondes, sur une machine sans GPU, et fournit une confiance exploitable pour router les cas douteux vers un humain. La communauté s'est d'ailleurs dotée d'un premier jeu d'évaluation neutre : [typed-decisions](https://huggingface.co/datasets/LocalLLaMA/typed-decisions), 1 600 décisions réparties en quatre domaines, dont un sous-ensemble *invoice_processing* (traitement de factures). C'est le terrain idéal pour comparer GLiNER2.5-Decide, Laya, d1-3B et Clef-Flash sur des cas proches du réel. ## Comment l'essayer - Installer `gliner2`, charger la variante multi-Decide, et lui soumettre une vingtaine de documents déjà classés à la main avec deux questions : « À traiter ? » (oui/non) et « Urgence » (0 à 5). - Comparer les réponses et les scores de confiance avec Laya sur le même lot. - Fixer un seuil de confiance en dessous duquel le document part en revue humaine. Le point de vigilance reste la langue : si la variante multilingue décroche sur le français, d1-3B (multimodal, 3 B) ou Clef-Flash (9 B) restent les options locales les plus solides, au prix d'un GPU. ## Sources - [Fiche fastino/GLiNER2.5-Decide](https://huggingface.co/fastino/GLiNER2.5-Decide) - [Fiche fastino/GLiNER2.5-multi-Decide](https://huggingface.co/fastino/GLiNER2.5-multi-Decide) - [Dataset LocalLLaMA/typed-decisions](https://huggingface.co/datasets/LocalLLaMA/typed-decisions) - [Fiche convaiinnovations/laya](https://huggingface.co/convaiinnovations/laya) --- # Qwen3.8-27B en 8 à 12 Go : trois façons de faire tourner un agent sur un PC > Saluki, OrcaSAQ et Swift compressent ou raccourcissent le même modèle socle. Tour d'horizon de ce que chacun sacrifie, et d'une licence à lire avant de déployer. *11 octobre 2026 · LLM en local · Radar IA* — https://clauzelfamille-dot.github.io/radar-ia/articles/2026-10-11-local-qwen38-27b-compresse.html Avec 17 400 likes et 6,8 millions de téléchargements, [Qwen3.8-27B](https://huggingface.co/Qwen/Qwen3.8-27B) est le modèle socle de la rentrée. En BF16 il pèse 54 Go, hors de portée d'un PC. Trois dérivés apparus ces dix derniers jours visent le même objectif : garder ses capacités d'agent (appel d'outils, mode réflexion, long contexte) dans un format qui tient sur une carte grand public. ## Saluki : 7,9 Go, le plus petit [Underdog-Saluki-27B-1.0](https://huggingface.co/ConwayResearch/Underdog-Saluki-27B-1.0) (Conway Research) ramène le modèle à 7,9 Go en quantisation IQ2 avec entraînement, en annonçant l'appel d'outils intact. C'est le choix pour une carte de 8 Go ou un portable. Le prix se paie en finesse de raisonnement sur les tâches longues, ce que la fiche ne cache pas. ## OrcaSAQ-2 : 12,3 Go, le plus fidèle [OrcaSAQ-2-27B](https://huggingface.co/orcarouter/OrcaSAQ-2-27B) applique une quantisation mixte à 3,21 bits par poids en moyenne : 12,3 Go, contexte de 262 000 tokens, appel d'outils et mode réflexion conservés, licence Apache 2.0. La fiche annonce une perplexité à +0,02 % du BF16 et un SWE-bench Verified à 70. Ces chiffres sont auto-déclarés, mais l'ordre de grandeur est cohérent avec ce que fait ISTA-DASLab sur le même modèle. Sur une carte de 16 Go, c'est l'option à essayer en premier pour un agent local. ## Swift : moins de réflexion, pas moins de poids [Swift-Qwen3.8-27b](https://huggingface.co/ukisai/Swift-Qwen3.8-27b) ne compresse pas : c'est un adaptateur LoRA qui pénalise les marqueurs de « sur-réflexion ». Résultat annoncé : 58 % de tokens de réflexion en moins, une vitesse multipliée par 1,95, et une qualité stable sauf sur AIME (98,7 à 94). Une [version GGUF](https://huggingface.co/ukisai/Swift-Qwen3.8-27B-GGUF) existe. Attention à la licence : « Swift Open License v1.0 », gratuite sous un million de dollars de chiffre d'affaires annuel, licence Enterprise au-delà. Pour un usage en entreprise, ce n'est pas un modèle ouvert au sens habituel. ## Lequel choisir | Dérivé | Poids | Ce qu'il garde | Licence | |---|---|---|---| | Saluki | 7,9 Go | Appel d'outils | Ouverte | | OrcaSAQ-2 | 12,3 Go | Outils, réflexion, 262 k de contexte | Apache 2.0 | | Swift | Comme l'original (GGUF disponibles) | Tout, en réfléchissant moins | Sous conditions de CA | La tendance de fond est claire : la quantisation sous 3 bits avec entraînement devient la norme du local, et Qwen3.8-27B en est la plateforme. Prochaine étape à surveiller : les mêmes techniques appliquées aux modèles de 9 B, qui tiendraient alors en moins de 4 Go. ## Sources - [Fiche orcarouter/OrcaSAQ-2-27B](https://huggingface.co/orcarouter/OrcaSAQ-2-27B) - [Fiche ukisai/Swift-Qwen3.8-27b](https://huggingface.co/ukisai/Swift-Qwen3.8-27b) - [Fiche ConwayResearch/Underdog-Saluki-27B-1.0](https://huggingface.co/ConwayResearch/Underdog-Saluki-27B-1.0) - [Fiche Qwen/Qwen3.8-27B](https://huggingface.co/Qwen/Qwen3.8-27B) --- # JEV-27B-VL > Modèle de décision vision-langage 27 B sur base Qwen3.8-27B : réponse typée calibrée (oui/non, choix, note) en une passe, texte et images ; 1er du Decision Index Vision. Route /v1/decide ajoutée début octobre. - Identifiant Hugging Face : `autotrust/JEV-27B-VL` — https://huggingface.co/autotrust/JEV-27B-VL - Type : Modèle - Éditeur : AutoTrust AI Lab - Compte Hugging Face : autotrust - Tâche : Vision-langage - Paramètres : 27,8 B - Licence : apache-2.0 - Langues déclarées : anglais - Formats : safetensors - Modèle de base : Qwen/Qwen3.8-27B (adaptateur) - Bibliothèque : transformers - Accès aux poids : libre - Créé le : 2026-09-30 - Mis à jour le : 2026-10-14 - Likes : 4530 - Téléchargements (30 j) : 1570992 - arXiv : 2512.16899, 2609.14973 - Score Radar : 84/100 · pertinent IA pratique : oui - Domaines : Agents & outils - Faits vérifiés sur l'API Hugging Face le 14/10/2026 **Pourquoi ça compte.** Le décideur multimodal de référence, mis à jour il y a 17 h --- # Ternary-Bonsai-2-27B-gguf > Qwen3.8-27B en poids ternaires ; 1,5 M de téléchargements sur 7 jours. - Identifiant Hugging Face : `prism-ml/Ternary-Bonsai-2-27B-gguf` — https://huggingface.co/prism-ml/Ternary-Bonsai-2-27B-gguf - Type : Modèle - Éditeur : Prism ML - Compte Hugging Face : prism-ml - Tâche : Génération de texte - Paramètres : 26,9 B - Licence : apache-2.0 - Formats : GGUF - Contexte : 262144 tokens - Modèle de base : Qwen/Qwen3.8-27B (quantification) - Bibliothèque : llama.cpp - Accès aux poids : libre - Créé le : 2026-09-16 - Mis à jour le : 2026-09-25 - Likes : 2689 - Téléchargements (30 j) : 4786442 - Score Radar : 84/100 · pertinent IA pratique : oui - Domaines : LLM en local - Faits vérifiés sur l'API Hugging Face le 14/10/2026 **Pourquoi ça compte.** Qwen3.8-27B ternaire, 4,5 M téléch. --- # Qwen3.8-27B-GGUF > Le GGUF le plus téléchargé de la période. - Identifiant Hugging Face : `unsloth/Qwen3.8-27B-GGUF` — https://huggingface.co/unsloth/Qwen3.8-27B-GGUF - Type : Modèle - Éditeur : Unsloth AI - Compte Hugging Face : unsloth - Tâche : Génération de texte - Paramètres : 27,3 B - Licence : apache-2.0 - Formats : GGUF - Contexte : 262144 tokens - Modèle de base : Qwen/Qwen3.8-27B (quantification) - Accès aux poids : libre - Créé le : 2026-08-13 - Mis à jour le : 2026-08-20 - Likes : 5086 - Téléchargements (30 j) : 6634241 - Score Radar : 82/100 · pertinent IA pratique : oui - Domaines : LLM en local - Faits vérifiés sur l'API Hugging Face le 14/10/2026 **Pourquoi ça compte.** GGUF le plus téléchargé --- # laya > Modèle de décision typée de 0,4 B qui tourne sur CPU ; n°1 des likes sur 30 jours. - Identifiant Hugging Face : `convaiinnovations/laya` — https://huggingface.co/convaiinnovations/laya - Type : Modèle - Éditeur : convaiinnovations - Compte Hugging Face : convaiinnovations - Tâche : Classification - Paramètres : 421 M - Licence : apache-2.0 - Formats : safetensors - Bibliothèque : transformers - Accès aux poids : libre - Créé le : 2026-09-18 - Mis à jour le : 2026-10-03 - Likes : 5595 - Téléchargements (30 j) : 47754 - Score Radar : 79/100 · pertinent IA pratique : oui - Domaines : Agents & outils, Documents & OCR, LLM en local - Faits vérifiés sur l'API Hugging Face le 14/10/2026 **Pourquoi ça compte.** 5,5 k likes ; classification rapide. --- # MiniCPM5-2B > Le 2 B de référence pour le on-device. - Identifiant Hugging Face : `openbmb/MiniCPM5-2B` — https://huggingface.co/openbmb/MiniCPM5-2B - Type : Modèle - Éditeur : OpenBMB - Compte Hugging Face : openbmb - Tâche : Génération de texte - Paramètres : 2,5 B - Licence : apache-2.0 - Langues déclarées : anglais, chinois - Formats : safetensors - Bibliothèque : transformers - Accès aux poids : libre - Créé le : 2026-09-06 - Mis à jour le : 2026-09-29 - Likes : 1770 - Téléchargements (30 j) : 1247513 - arXiv : 2506.07900, 2602.09003 - Score Radar : 79/100 · pertinent IA pratique : oui - Domaines : LLM en local - Faits vérifiés sur l'API Hugging Face le 14/10/2026 **Pourquoi ça compte.** 2 B de référence on-device --- # Edge0-35B-A3B-preview > MoE 35 B servi depuis SSD (paper « Memory Wall »), int4. - Identifiant Hugging Face : `Edge0/Edge0-35B-A3B-preview` — https://huggingface.co/Edge0/Edge0-35B-A3B-preview - Type : Modèle - Éditeur : Edge0 - Compte Hugging Face : Edge0 - Tâche : Génération de texte - Paramètres : 34,7 B - Licence : apache-2.0 - Formats : MLX, safetensors - Modèle de base : Qwen/Qwen3.6-35B-A3B (adaptateur) - Bibliothèque : mlx - Accès aux poids : libre - Créé le : 2026-09-08 - Mis à jour le : 2026-10-01 - Likes : 3582 - Téléchargements (30 j) : 66460 - arXiv : 2609.18063 - Score Radar : 78/100 · pertinent IA pratique : oui - Domaines : LLM en local - Faits vérifiés sur l'API Hugging Face le 14/10/2026 **Pourquoi ça compte.** MoE 35 B servi depuis SSD --- # Underdog-Saluki-27B-1.0 > LLM 27 B dérivé de Qwen3.8, orienté raisonnement et agents. - Identifiant Hugging Face : `ConwayResearch/Underdog-Saluki-27B-1.0` — https://huggingface.co/ConwayResearch/Underdog-Saluki-27B-1.0 - Type : Modèle - Éditeur : Conway - Compte Hugging Face : ConwayResearch - Tâche : Génération de texte - Paramètres : 26,9 B - Licence : apache-2.0 - Langues déclarées : anglais - Formats : GGUF - Contexte : 262144 tokens - Modèle de base : ISTA-DASLab/Qwen3.8-27B-GSQ-RCO-GGUF (quantification) - Bibliothèque : gguf - Accès aux poids : libre - Créé le : 2026-10-08 - Mis à jour le : 2026-10-10 - Likes : 448 - Téléchargements (30 j) : 311969 - Score Radar : 77/100 · pertinent IA pratique : oui - Domaines : LLM en local, Agents & outils - Faits vérifiés sur l'API Hugging Face le 14/10/2026 **Pourquoi ça compte.** Téléchargements doublés en 24 h (242 k) : le 27 B compressé pour agents locaux prend. --- # Qwen3.8-27B > Le modèle socle de la période : la moitié des dérivés du classement en sont issus. - Identifiant Hugging Face : `Qwen/Qwen3.8-27B` — https://huggingface.co/Qwen/Qwen3.8-27B - Type : Modèle - Éditeur : Qwen - Compte Hugging Face : Qwen - Tâche : Vision-langage - Paramètres : 27,8 B - Licence : apache-2.0 - Formats : safetensors - Bibliothèque : transformers - Accès aux poids : libre - Créé le : 2026-08-05 - Mis à jour le : 2026-08-14 - Likes : 17676 - Téléchargements (30 j) : 7221327 - Score Radar : 77/100 · pertinent IA pratique : non - Domaines : LLM en local, Code, Agents & outils - Faits vérifiés sur l'API Hugging Face le 14/10/2026 **Pourquoi ça compte.** La base de la majorité des dérivés GGUF du classement. --- # Swift-Qwen3.8-27B-GGUF > GGUF de Swift-Qwen3.8-27B. - Identifiant Hugging Face : `ukisai/Swift-Qwen3.8-27B-GGUF` — https://huggingface.co/ukisai/Swift-Qwen3.8-27B-GGUF - Type : Modèle - Éditeur : ukisai - Compte Hugging Face : ukisai - Tâche : Vision-langage - Paramètres : 27,3 B - Licence : swift-open-license-1.0 - Formats : GGUF - Contexte : 262144 tokens - Modèle de base : ukisai/Swift-Qwen3.8-27b (quantification) - Bibliothèque : gguf - Accès aux poids : libre - Créé le : 2026-09-11 - Mis à jour le : 2026-10-01 - Likes : 464 - Téléchargements (30 j) : 494066 - Score Radar : 77/100 · pertinent IA pratique : oui - Domaines : LLM en local, Code - Faits vérifiés sur l'API Hugging Face le 14/10/2026 **Pourquoi ça compte.** Version GGUF de Swift --- # embeddinggemma-2 > Modèle d'embeddings multilingue léger de Google, tournant sur CPU/WebGPU ; GGUF Unsloth disponible. - Identifiant Hugging Face : `google/embeddinggemma-2` — https://huggingface.co/google/embeddinggemma-2 - Type : Modèle - Éditeur : Google - Compte Hugging Face : google - Tâche : Embeddings - Paramètres : 744 M - Licence : apache-2.0 - Langues déclarées : multilingue (langues non détaillées) - Formats : safetensors - Bibliothèque : transformers - Accès aux poids : libre - Créé le : 2026-09-14 - Mis à jour le : 2026-10-06 - Likes : 2214 - Téléchargements (30 j) : 135175 - Score Radar : 76/100 · pertinent IA pratique : oui - Domaines : LLM en local, Français & multilingue - Faits vérifiés sur l'API Hugging Face le 14/10/2026 **Pourquoi ça compte.** Toujours n°1 : la brique de recherche sémantique locale de référence. --- # speaker-diarization-3.1 > Version 3.1 du pipeline de diarisation, toujours la plus téléchargée. - Identifiant Hugging Face : `pyannote/speaker-diarization-3.1` — https://huggingface.co/pyannote/speaker-diarization-3.1 - Type : Modèle - Éditeur : pyannote - Compte Hugging Face : pyannote - Tâche : Diarisation audio - Taille : n.c. - Licence : mit - Bibliothèque : pyannote-audio - Accès aux poids : sur demande - Créé le : 2023-11-16 - Mis à jour le : 2024-05-10 - Likes : 4351 - Téléchargements (30 j) : 6931453 - arXiv : 2012.01477, 2111.14448 - Score Radar : 76/100 · pertinent IA pratique : oui - Domaines : Voix & audio, LLM en local - Faits vérifiés sur l'API Hugging Face le 14/10/2026 **Pourquoi ça compte.** Référence historique (6,9 M). --- # Qwen3.8-27B-TURBO-Fable-Cold-Fusion-735-882-Heretic-Uncensored-NEO-CODER-MAX-MTP-GGUF > Fusion communautaire de Qwen3.8-27B orientée code, diffusée en GGUF ; très téléchargée, sans évaluation indépendante connue. - Identifiant Hugging Face : `DavidAU/Qwen3.8-27B-TURBO-Fable-Cold-Fusion-735-882-Heretic-Uncensored-NEO-CODER-MAX-MTP-GGUF` — https://huggingface.co/DavidAU/Qwen3.8-27B-TURBO-Fable-Cold-Fusion-735-882-Heretic-Uncensored-NEO-CODER-MAX-MTP-GGUF - Type : Modèle - Éditeur : DavidAU - Compte Hugging Face : DavidAU - Tâche : Vision-langage - Paramètres : 26,9 B - Licence : apache-2.0 - Langues déclarées : anglais, chinois - Formats : GGUF - Contexte : 262144 tokens - Modèle de base : DavidAU/Qwen3.8-27B-TURBO-Fable-Cold-Fusion-735-882-Heretic-Uncensored-NM-DAU (quantification) - Accès aux poids : libre - Créé le : 2026-09-01 - Mis à jour le : 2026-10-14 - Likes : 1760 - Téléchargements (30 j) : 1900731 - Score Radar : 75/100 · pertinent IA pratique : oui - Domaines : LLM en local, Code - Faits vérifiés sur l'API Hugging Face le 14/10/2026 **Pourquoi ça compte.** Volume de téléchargements élevé ; qualité à vérifier avant usage. --- # Audio8-ASR-Infinite > Modèle de reconnaissance vocale en flux continu (streaming), 4 B, bilingue chinois-anglais, en version préliminaire. - Identifiant Hugging Face : `Edge0/Audio8-ASR-Infinite` — https://huggingface.co/Edge0/Audio8-ASR-Infinite - Type : Modèle - Éditeur : Edge0 - Compte Hugging Face : Edge0 - Tâche : Reconnaissance vocale - Paramètres : 4,1 B - Licence : apache-2.0 - Langues déclarées : chinois, anglais - Formats : safetensors - Bibliothèque : transformers - Accès aux poids : libre - Créé le : 2026-09-21 - Mis à jour le : 2026-09-24 - Likes : 2449 - Téléchargements (30 j) : 41774 - Score Radar : 75/100 · pertinent IA pratique : oui - Domaines : Voix & audio, LLM en local - Faits vérifiés sur l'API Hugging Face le 14/10/2026 **Pourquoi ça compte.** ASR temps réel léger, mais sans français annoncé. --- # Qwen3.8-27B-GSQ-RCO-GGUF > Quantisations GGUF très compressées (8 à 12 Go) de Qwen3.8-27B par la méthode GSQ/RCO, avec encodeur vision et variante MTP pour llama.cpp. - Identifiant Hugging Face : `ISTA-DASLab/Qwen3.8-27B-GSQ-RCO-GGUF` — https://huggingface.co/ISTA-DASLab/Qwen3.8-27B-GSQ-RCO-GGUF - Type : Modèle - Éditeur : IST Austria Distributed Algorithms and Systems Lab - Compte Hugging Face : ISTA-DASLab - Tâche : Vision-langage - Paramètres : 26,9 B - Licence : apache-2.0 - Formats : GGUF - Contexte : 262144 tokens - Modèle de base : Qwen/Qwen3.8-27B (quantification) - Bibliothèque : gguf - Accès aux poids : libre - Créé le : 2026-08-28 - Mis à jour le : 2026-09-02 - Likes : 2200 - Téléchargements (30 j) : 1453035 - arXiv : 2604.18556, 2605.00649 - Score Radar : 75/100 · pertinent IA pratique : oui - Domaines : LLM en local - Faits vérifiés sur l'API Hugging Face le 14/10/2026 **Pourquoi ça compte.** Fait tenir Qwen3.8-27B sur une carte de 12 à 16 Go. --- # Xing4.0-29B-A4B > MoE de 29 B (4 B actifs) orienté agents : planification multi-étapes, appel d'outils, contexte 256 k ; environ 15 Go de VRAM en 4 bits. - Identifiant Hugging Face : `XingChen-AGI/Xing4.0-29B-A4B` — https://huggingface.co/XingChen-AGI/Xing4.0-29B-A4B - Type : Modèle - Éditeur : XingChen-AGI - Compte Hugging Face : XingChen-AGI - Tâche : Génération de texte - Paramètres : 31,2 B - Licence : apache-2.0 - Formats : safetensors - Bibliothèque : transformers - Accès aux poids : libre - Créé le : 2026-09-16 - Mis à jour le : 2026-10-13 - Likes : 1842 - Téléchargements (30 j) : 52801 - arXiv : 2507.18013, 2512.24157 - Score Radar : 75/100 · pertinent IA pratique : oui - Domaines : Agents & outils, Code - Faits vérifiés sur l'API Hugging Face le 14/10/2026 **Pourquoi ça compte.** Socle du GGUF déjà suivi ; agent de code local sur une carte 24 Go. --- # Qwen-Image-2.1-Uncensored-Quantized > Quantisations communautaires de Qwen-Image-2.1 (dépôt renommé « Quantized », ex-GGUF), mises à jour il y a 22 h. - Identifiant Hugging Face : `abenzerps/Qwen-Image-2.1-Uncensored-Quantized` — https://huggingface.co/abenzerps/Qwen-Image-2.1-Uncensored-Quantized - Type : Modèle - Éditeur : abenzerps - Compte Hugging Face : abenzerps - Tâche : Texte→image - Paramètres : 7,1 B - Licence : qwen-research - Formats : GGUF, MLX - Modèle de base : Qwen/Qwen-Image-2.1 (quantification) - Bibliothèque : gguf - Accès aux poids : libre - Créé le : 2026-09-20 - Mis à jour le : 2026-10-12 - Likes : 4279 - Téléchargements (30 j) : 2315771 - Score Radar : 75/100 · pertinent IA pratique : non - Domaines : Image & vidéo - Faits vérifiés sur l'API Hugging Face le 14/10/2026 **Pourquoi ça compte.** 2,2 M de téléchargements : la version la plus téléchargée de Qwen-Image. --- # GLM-5.3-Flash > Le « Flash » de GLM 5.3. - Identifiant Hugging Face : `zai-org/GLM-5.3-Flash` — https://huggingface.co/zai-org/GLM-5.3-Flash - Type : Modèle - Éditeur : Z.ai - Compte Hugging Face : zai-org - Tâche : Vision-langage - Paramètres : 321,3 B - Licence : mit - Langues déclarées : anglais, chinois - Formats : safetensors - Bibliothèque : transformers - Accès aux poids : libre - Créé le : 2026-08-25 - Mis à jour le : 2026-10-12 - Likes : 2848 - Téléchargements (30 j) : 6515511 - arXiv : 2602.15763 - Score Radar : 75/100 · pertinent IA pratique : non - Domaines : Code, Agents & outils - Faits vérifiés sur l'API Hugging Face le 14/10/2026 **Pourquoi ça compte.** GLM 5.3 Flash, 4,2 M téléch. --- # Huihui-Qwen3.8-27B-abliterated-GGUF > GGUF « abliterated » (sans refus) de Qwen3.8-27B, mis à jour il y a 1 j. - Identifiant Hugging Face : `huihui-ai/Huihui-Qwen3.8-27B-abliterated-GGUF` — https://huggingface.co/huihui-ai/Huihui-Qwen3.8-27B-abliterated-GGUF - Type : Modèle - Éditeur : huihui-ai - Compte Hugging Face : huihui-ai - Tâche : Vision-langage - Paramètres : 27,3 B - Licence : apache-2.0 - Formats : GGUF - Contexte : 262144 tokens - Modèle de base : Qwen/Qwen3.8-27B (quantification) - Bibliothèque : transformers - Accès aux poids : libre - Créé le : 2026-08-16 - Mis à jour le : 2026-10-10 - Likes : 1320 - Téléchargements (30 j) : 2277894 - Score Radar : 74/100 · pertinent IA pratique : oui - Domaines : LLM en local - Faits vérifiés sur l'API Hugging Face le 14/10/2026 **Pourquoi ça compte.** 2,2 M de téléchargements. --- # Qwen3.8-27B-Coder390-EfficientThink-Opus5.5-GPT6Astra-Grok4.7-DSV4Pro-K3-SFT-RLOO-MTP-DFlash2 > Fine-tune code de Qwen3.8-27B (distillation multi-modèles, MTP), mis à jour il y a 1 j. - Identifiant Hugging Face : `nerkyor/Qwen3.8-27B-Coder390-EfficientThink-Opus5.5-GPT6Astra-Grok4.7-DSV4Pro-K3-SFT-RLOO-MTP-DFlash2` — https://huggingface.co/nerkyor/Qwen3.8-27B-Coder390-EfficientThink-Opus5.5-GPT6Astra-Grok4.7-DSV4Pro-K3-SFT-RLOO-MTP-DFlash2 - Type : Modèle - Éditeur : nerkyor - Compte Hugging Face : nerkyor - Tâche : Génération de code - Paramètres : 27,3 B - Licence : apache-2.0 - Langues déclarées : anglais, chinois - Formats : GGUF, safetensors - Contexte : 262144 tokens - Modèle de base : nerkyor/Qwen3.8-27B-EfficientThink-Uncensored-K3-Opus5-Grok4.6-GPT5.6Sol-SFT-SimPO-DFlash2 (quantification) - Accès aux poids : libre - Créé le : 2026-10-04 - Mis à jour le : 2026-10-14 - Likes : 322 - Téléchargements (30 j) : 114351 - Score Radar : 74/100 · pertinent IA pratique : oui - Domaines : Code, LLM en local - Faits vérifiés sur l'API Hugging Face le 14/10/2026 **Pourquoi ça compte.** Dérivé code le plus suivi de Qwen3.8 cette semaine. --- # speaker-diarization-community-1 > Pipeline « qui parle quand » de pyannote, successeur de 3.1 : meilleure attribution des locuteurs, alignement facile avec une transcription ; CPU ou GPU, accès sous token. - Identifiant Hugging Face : `pyannote/speaker-diarization-community-1` — https://huggingface.co/pyannote/speaker-diarization-community-1 - Type : Modèle - Éditeur : pyannote - Compte Hugging Face : pyannote - Tâche : Diarisation audio - Taille : n.c. - Licence : cc-by-4.0 - Bibliothèque : pyannote-audio - Accès aux poids : sur demande - Créé le : 2025-04-15 - Mis à jour le : 2025-09-29 - Likes : 2893 - Téléchargements (30 j) : 5457659 - arXiv : 2012.01477, 2104.03603, 2110.07058, 2111.14448 - Score Radar : 74/100 · pertinent IA pratique : oui - Domaines : Voix & audio, LLM en local - Faits vérifiés sur l'API Hugging Face le 14/10/2026 **Pourquoi ça compte.** Entre au classement (rang 33) avec 5,4 M de téléchargements. --- # Swift-Qwen3.8-27b > LoRA anti-surréflexion : −58 % de tokens de réflexion, ×1,95 en vitesse ; licence gratuite sous 1 M$ de CA. - Identifiant Hugging Face : `ukisai/Swift-Qwen3.8-27b` — https://huggingface.co/ukisai/Swift-Qwen3.8-27b - Type : Modèle - Éditeur : ukisai - Compte Hugging Face : ukisai - Tâche : Vision-langage - Paramètres : 27,8 B - Licence : swift-open-license-1.0 - Formats : safetensors - Modèle de base : Qwen/Qwen3.8-27B (fine-tune) - Bibliothèque : transformers - Accès aux poids : libre - Créé le : 2026-09-08 - Mis à jour le : 2026-09-24 - Likes : 629 - Téléchargements (30 j) : 22340 - Score Radar : 74/100 · pertinent IA pratique : oui - Domaines : LLM en local, Code - Faits vérifiés sur l'API Hugging Face le 14/10/2026 **Pourquoi ça compte.** −58 % de réflexion, licence sous conditions --- # embeddinggemma-2-GGUF > GGUF officiel Unsloth d'EmbeddingGemma 2. - Identifiant Hugging Face : `unsloth/embeddinggemma-2-GGUF` — https://huggingface.co/unsloth/embeddinggemma-2-GGUF - Type : Modèle - Éditeur : Unsloth AI - Compte Hugging Face : unsloth - Tâche : Embeddings - Paramètres : 271 M - Licence : apache-2.0 - Langues déclarées : multilingue (langues non détaillées) - Formats : GGUF - Contexte : 262144 tokens - Modèle de base : google/embeddinggemma-2 (quantification) - Accès aux poids : libre - Créé le : 2026-10-06 - Mis à jour le : 2026-10-07 - Likes : 306 - Téléchargements (30 j) : 88945 - Score Radar : 74/100 · pertinent IA pratique : oui - Domaines : LLM en local, Français & multilingue - Faits vérifiés sur l'API Hugging Face le 14/10/2026 **Pourquoi ça compte.** Embeddings multilingues sur CPU en une commande. --- # clef > Modèle de décision multimodal 27 B de Cloudflare : réponse typée et calibrée à partir d'un texte ou d'une image. - Identifiant Hugging Face : `Cloudflare/clef` — https://huggingface.co/Cloudflare/clef - Type : Modèle - Éditeur : Cloudflare - Compte Hugging Face : Cloudflare - Tâche : Vision-langage - Paramètres : 27,4 B - Licence : apache-2.0 - Formats : safetensors - Modèle de base : Qwen/Qwen3.8-27B (fine-tune) - Bibliothèque : transformers - Accès aux poids : libre - Créé le : 2026-09-30 - Mis à jour le : 2026-10-09 - Likes : 2158 - Téléchargements (30 j) : 18304 - Score Radar : 73/100 · pertinent IA pratique : oui - Domaines : Agents & outils, Documents & OCR - Faits vérifiés sur l'API Hugging Face le 14/10/2026 **Pourquoi ça compte.** Agents + documents web, licence Apache. --- # Qwen3.8-Flash-Next-GSQ-RCO-Coder-GGUF > Qwen3.8-Flash-Next élagué (moitié des experts) et quantisé à 3,5 bits pour le code et les agents : 29,6 Go en mémoire, 32 Go d'accélérateur ; SWE-bench 75,6. - Identifiant Hugging Face : `ISTA-DASLab/Qwen3.8-Flash-Next-GSQ-RCO-Coder-GGUF` — https://huggingface.co/ISTA-DASLab/Qwen3.8-Flash-Next-GSQ-RCO-Coder-GGUF - Type : Modèle - Éditeur : IST Austria Distributed Algorithms and Systems Lab - Compte Hugging Face : ISTA-DASLab - Tâche : Code - Paramètres : 116,5 B - Licence : apache-2.0 - Formats : GGUF - Contexte : 262144 tokens - Modèle de base : Qwen/Qwen3.8-Flash-Next (quantification) - Bibliothèque : gguf - Accès aux poids : libre - Créé le : 2026-09-26 - Mis à jour le : 2026-09-29 - Likes : 396 - Téléchargements (30 j) : 759931 - arXiv : 2604.18556, 2605.00649 - Score Radar : 73/100 · pertinent IA pratique : oui - Domaines : Code, LLM en local - Faits vérifiés sur l'API Hugging Face le 14/10/2026 **Pourquoi ça compte.** Un modèle de code « frontier » qui tient dans 32 Go. --- # Unlimited-OCR > Modèle vision-langage de 3 B (Baidu, MIT) qui analyse des documents et PDF multipages en une passe, dans la lignée de DeepSeek-OCR ; 36 quantisations llama.cpp / Ollama / LM Studio disponibles. - Identifiant Hugging Face : `baidu/Unlimited-OCR` — https://huggingface.co/baidu/Unlimited-OCR - Type : Modèle - Éditeur : BAIDU - Compte Hugging Face : baidu - Tâche : OCR / vision-langage documentaire - Paramètres : 3,3 B - Licence : mit - Langues déclarées : multilingue (langues non détaillées) - Formats : safetensors - Bibliothèque : transformers - Accès aux poids : libre - Créé le : 2026-06-19 - Mis à jour le : 2026-10-14 - Likes : 4633 - Téléchargements (30 j) : 1154213 - arXiv : 2606.23050 - Score Radar : 73/100 · pertinent IA pratique : oui - Domaines : Documents & OCR, LLM en local - Faits vérifiés sur l'API Hugging Face le 14/10/2026 **Pourquoi ça compte.** OCR documentaire multilingue de 3 B exécutable en local, de retour dans le trending --- # Qwen-Image-2.1 > Reconditionnement des poids de Qwen-Image-2.1 pour ComfyUI ; le dépôt le plus téléchargé de la période. - Identifiant Hugging Face : `Comfy-Org/Qwen-Image-2.1` — https://huggingface.co/Comfy-Org/Qwen-Image-2.1 - Type : Modèle - Éditeur : Comfy Org - Compte Hugging Face : Comfy-Org - Tâche : Texte vers image - Taille : n.c. - Licence : qwen-research - Modèle de base : Qwen/Qwen-Image-2.1 (fine-tune) - Bibliothèque : diffusion-single-file - Accès aux poids : libre - Créé le : 2026-09-15 - Mis à jour le : 2026-10-13 - Likes : 1112 - Téléchargements (30 j) : 9798941 - Score Radar : 72/100 · pertinent IA pratique : non - Domaines : Image & vidéo - Faits vérifiés sur l'API Hugging Face le 14/10/2026 **Pourquoi ça compte.** Signal de diffusion de Qwen-Image-2.1 chez les créatifs. --- # MiniMax-H3 > Vidéo avec bande-son synchronisée ; n°1 des Spaces. - Identifiant Hugging Face : `MiniMaxAI/MiniMax-H3` — https://huggingface.co/MiniMaxAI/MiniMax-H3 - Type : Modèle - Éditeur : MiniMax - Compte Hugging Face : MiniMaxAI - Tâche : Image+texte→vidéo - Paramètres : 33,1 B - Licence : minimax-h3-community-license-agreement - Formats : safetensors - Bibliothèque : minimax-h3 - Accès aux poids : libre - Créé le : 2026-07-28 - Mis à jour le : 2026-08-13 - Likes : 6134 - Téléchargements (30 j) : 3765471 - Score Radar : 72/100 · pertinent IA pratique : non - Domaines : Image & vidéo - Faits vérifiés sur l'API Hugging Face le 14/10/2026 **Pourquoi ça compte.** Vidéo + bande-son, n°1 des Spaces --- # LTX-2.5 > Générateur vidéo ouvert avec audio natif, mis à jour il y a 2 j. - Identifiant Hugging Face : `Lightricks/LTX-2.5` — https://huggingface.co/Lightricks/LTX-2.5 - Type : Modèle - Éditeur : LTX.io - Compte Hugging Face : Lightricks - Tâche : Image→vidéo - Taille : n.c. - Licence : ltx-2.x-community-license-agreement - Langues déclarées : anglais, allemand, espagnol, français, japonais, coréen, chinois, italien, portugais - Bibliothèque : diffusion-single-file - Accès aux poids : sur demande - Créé le : 2026-07-23 - Mis à jour le : 2026-10-11 - Likes : 7739 - Téléchargements (30 j) : 1823507 - arXiv : 2601.03233 - Score Radar : 71/100 · pertinent IA pratique : non - Domaines : Image & vidéo - Faits vérifiés sur l'API Hugging Face le 14/10/2026 **Pourquoi ça compte.** Le modèle vidéo ouvert le plus aimé du moment. --- # d1-3B > Modèle de décision « System One » de 3 B (texte + image) qui renvoie une probabilité par option ; GGUF officiel. - Identifiant Hugging Face : `LiquidAI/d1-3B` — https://huggingface.co/LiquidAI/d1-3B - Type : Modèle - Éditeur : Liquid AI - Compte Hugging Face : LiquidAI - Tâche : Vision-langage - Paramètres : 3,1 B - Licence : lfm1.0 - Langues déclarées : arabe, chinois, anglais, français, allemand, hindi, id, italien, japonais, coréen, polonais, portugais, russe, espagnol, th, vietnamien - Formats : safetensors - Modèle de base : LiquidAI/LFM2.5-VL-3B (fine-tune) - Bibliothèque : transformers - Accès aux poids : libre - Créé le : 2026-10-05 - Mis à jour le : 2026-10-07 - Likes : 391 - Téléchargements (30 j) : 14854 - arXiv : 2511.23404 - Score Radar : 71/100 · pertinent IA pratique : oui - Domaines : Agents & outils, Documents & OCR, LLM en local - Faits vérifiés sur l'API Hugging Face le 14/10/2026 **Pourquoi ça compte.** Décision typée sur PC : 3 B, démo caméra/dessin. --- # Xing4.0-29B-A4B-GGUF > GGUF de Xing4.0 29B-A4B (MoE), mis à jour il y a 1 j. - Identifiant Hugging Face : `Venastine-Research/Xing4.0-29B-A4B-GGUF` — https://huggingface.co/Venastine-Research/Xing4.0-29B-A4B-GGUF - Type : Modèle - Éditeur : Venastine Research - Compte Hugging Face : Venastine-Research - Tâche : Génération de texte - Paramètres : 31,2 B - Licence : apache-2.0 - Formats : GGUF, safetensors - Contexte : 262144 tokens - Modèle de base : XingChen-AGI/Xing4.0-29B-A4B (quantification) - Bibliothèque : transformers - Accès aux poids : libre - Créé le : 2026-09-17 - Mis à jour le : 2026-10-11 - Likes : 711 - Téléchargements (30 j) : 59760 - arXiv : 2507.18013, 2512.24157 - Score Radar : 71/100 · pertinent IA pratique : oui - Domaines : LLM en local, Agents & outils - Faits vérifiés sur l'API Hugging Face le 14/10/2026 **Pourquoi ça compte.** MoE 4 B actifs en GGUF, rapide en local --- # clef-flash > Version 9 B de Clef, exécutable en local. - Identifiant Hugging Face : `Cloudflare/clef-flash` — https://huggingface.co/Cloudflare/clef-flash - Type : Modèle - Éditeur : Cloudflare - Compte Hugging Face : Cloudflare - Tâche : Vision-langage - Paramètres : 9,4 B - Licence : apache-2.0 - Formats : safetensors - Modèle de base : Qwen/Qwen3.5-9B (fine-tune) - Bibliothèque : transformers - Accès aux poids : libre - Créé le : 2026-09-30 - Mis à jour le : 2026-10-09 - Likes : 817 - Téléchargements (30 j) : 26636 - Score Radar : 70/100 · pertinent IA pratique : oui - Domaines : Agents & outils, Documents & OCR, LLM en local - Faits vérifiés sur l'API Hugging Face le 14/10/2026 **Pourquoi ça compte.** Version 9 B de Clef, exécutable en local --- # Qwen3.8-Flash-Next-GSQ-RCO-GGUF > MoE 177 B ramené à 66-84 Go par quantisation GSQ + RCO, sans perte mesurée en IQ3_S. - Identifiant Hugging Face : `ISTA-DASLab/Qwen3.8-Flash-Next-GSQ-RCO-GGUF` — https://huggingface.co/ISTA-DASLab/Qwen3.8-Flash-Next-GSQ-RCO-GGUF - Type : Modèle - Éditeur : IST Austria Distributed Algorithms and Systems Lab - Compte Hugging Face : ISTA-DASLab - Tâche : Vision-langage - Paramètres : 176,9 B - Licence : apache-2.0 - Formats : GGUF - Contexte : 262144 tokens - Modèle de base : Qwen/Qwen3.8-Flash-Next (quantification) - Bibliothèque : gguf - Accès aux poids : libre - Créé le : 2026-09-07 - Mis à jour le : 2026-09-29 - Likes : 867 - Téléchargements (30 j) : 4894108 - arXiv : 2604.18556, 2605.00649 - Score Radar : 70/100 · pertinent IA pratique : non - Domaines : - Faits vérifiés sur l'API Hugging Face le 14/10/2026 **Pourquoi ça compte.** 177 B en 66-84 Go sans perte — station multi-GPU --- # typed-decisions > Benchmark de 1,6 k décisions typées sur 4 domaines dont le traitement de factures. - Identifiant Hugging Face : `LocalLLaMA/typed-decisions` — https://huggingface.co/datasets/LocalLLaMA/typed-decisions - Type : Dataset - Éditeur : LocalLLaMA - Compte Hugging Face : LocalLLaMA - Tâche : Benchmark décisions - Taille : 1,6 k lignes - Licence : apache-2.0 - Langues déclarées : anglais - Volumétrie : n<1K - Accès aux poids : libre - Créé le : 2026-09-16 - Mis à jour le : 2026-10-14 - Likes : 185 - Téléchargements (30 j) : 45304 - Score Radar : 70/100 · pertinent IA pratique : oui - Domaines : Agents & outils, Documents & OCR, Données & benchmarks - Faits vérifiés sur l'API Hugging Face le 14/10/2026 **Pourquoi ça compte.** Le benchmark des modèles de décision. --- # Qwen3.8-Flash-Next > Le « gros » Qwen, MoE 177 B. - Identifiant Hugging Face : `Qwen/Qwen3.8-Flash-Next` — https://huggingface.co/Qwen/Qwen3.8-Flash-Next - Type : Modèle - Éditeur : Qwen - Compte Hugging Face : Qwen - Tâche : Vision-langage - Paramètres : 180 B - Licence : qwen-community-1.0 - Formats : safetensors - Bibliothèque : transformers - Accès aux poids : libre - Créé le : 2026-08-24 - Mis à jour le : 2026-08-27 - Likes : 6197 - Téléchargements (30 j) : 2185644 - Score Radar : 70/100 · pertinent IA pratique : non - Domaines : Code, Agents & outils - Faits vérifiés sur l'API Hugging Face le 14/10/2026 **Pourquoi ça compte.** Base des quantisations ISTA. --- # Qwen3.8-Flash-Next-Uncensored-GGUF > GGUF de Qwen3.8-Flash-Next avec projecteur vision et appel de fonctions, mis à jour le 12/10. Variante « abliterated » : garde-fous retirés, à réserver aux tests. - Identifiant Hugging Face : `orcarouter/Qwen3.8-Flash-Next-Uncensored-GGUF` — https://huggingface.co/orcarouter/Qwen3.8-Flash-Next-Uncensored-GGUF - Type : Modèle - Éditeur : OrcaRouter - Compte Hugging Face : orcarouter - Tâche : Vision-langage (GGUF) - Paramètres : 176,9 B - Licence : apache-2.0 - Langues déclarées : anglais, chinois - Formats : GGUF - Contexte : 262144 tokens - Modèle de base : Qwen/Qwen3.8-Flash-Next (quantification) - Bibliothèque : gguf - Accès aux poids : sur demande - Créé le : 2026-08-26 - Mis à jour le : 2026-10-12 - Likes : 857 - Téléchargements (30 j) : 692812 - Score Radar : 70/100 · pertinent IA pratique : oui - Domaines : LLM en local, Agents & outils - Faits vérifiés sur l'API Hugging Face le 14/10/2026 **Pourquoi ça compte.** 630 k téléchargements ; mis à jour ce matin. --- # MiniMax-H3 > Poids ComfyUI de MiniMax-H3. - Identifiant Hugging Face : `Comfy-Org/MiniMax-H3` — https://huggingface.co/Comfy-Org/MiniMax-H3 - Type : Modèle - Éditeur : Comfy Org - Compte Hugging Face : Comfy-Org - Tâche : Vidéo - Taille : n.c. - Licence : minimax-h3-community-license-agreement - Modèle de base : MiniMaxAI/MiniMax-H3 (fine-tune) - Bibliothèque : diffusion-single-file - Accès aux poids : libre - Créé le : 2026-07-30 - Mis à jour le : 2026-09-29 - Likes : 2277 - Téléchargements (30 j) : 24139135 - Score Radar : 69/100 · pertinent IA pratique : non - Domaines : Image & vidéo - Faits vérifiés sur l'API Hugging Face le 14/10/2026 **Pourquoi ça compte.** 23,6 M de téléchargements : le plus téléchargé du classement. --- # Fable-5.1-Max-Reasoning-Filtered-10000x > Traces de raisonnement et de codage agentique générées par Fable 5.1, pour distiller vers de petits LLM. - Identifiant Hugging Face : `MoreThought/Fable-5.1-Max-Reasoning-Filtered-10000x` — https://huggingface.co/datasets/MoreThought/Fable-5.1-Max-Reasoning-Filtered-10000x - Type : Dataset - Éditeur : MoreThought - Compte Hugging Face : MoreThought - Tâche : Traces de raisonnement - Taille : 10-15 k traces - Licence : apache-2.0 - Langues déclarées : anglais - Volumétrie : 1K A généré toute la vague Turbo / LoRA / Spaces. - Identifiant Hugging Face : `Qwen/Qwen-Image-2.1` — https://huggingface.co/Qwen/Qwen-Image-2.1 - Type : Modèle - Éditeur : Qwen - Compte Hugging Face : Qwen - Tâche : Texte→image - Paramètres : 7,1 B - Licence : qwen-research - Formats : safetensors - Bibliothèque : diffusers - Accès aux poids : libre - Créé le : 2026-09-14 - Mis à jour le : 2026-09-30 - Likes : 3296 - Téléchargements (30 j) : 153537 - Score Radar : 69/100 · pertinent IA pratique : non - Domaines : Image & vidéo - Faits vérifiés sur l'API Hugging Face le 14/10/2026 **Pourquoi ça compte.** Base de toute la vague Qwen-Image. --- # GLiNER2.5-Decide > Classifieur de décisions (oui/non, choix, échelle, multi-label) en un appel, sur CPU ; variante multi-Decide pour le multilingue. - Identifiant Hugging Face : `fastino/GLiNER2.5-Decide` — https://huggingface.co/fastino/GLiNER2.5-Decide - Type : Modèle - Éditeur : fastino - Compte Hugging Face : fastino - Tâche : Classification - Paramètres : 486 M - Licence : apache-2.0 - Langues déclarées : anglais - Formats : safetensors - Modèle de base : fastino/gliner2-large-v1 (fine-tune) - Bibliothèque : transformers - Accès aux poids : libre - Créé le : 2026-09-23 - Mis à jour le : 2026-10-08 - Likes : 412 - Téléchargements (30 j) : 105210 - arXiv : 2507.18546 - Score Radar : 69/100 · pertinent IA pratique : oui - Domaines : Agents & outils, Documents & OCR, LLM en local - Faits vérifiés sur l'API Hugging Face le 14/10/2026 **Pourquoi ça compte.** Décisions typées 0,34 B sur CPU --- # ZDTaichu5.0-9B > Modèle vision-langage d'environ 10 B (Qwen3.5-9B + encodeur C-RADIOv4) : images, vidéo, documents, graphiques, OCR et usage d'outils multi-étapes, contexte 128 k. - Identifiant Hugging Face : `TaichuAI/ZDTaichu5.0-9B` — https://huggingface.co/TaichuAI/ZDTaichu5.0-9B - Type : Modèle - Éditeur : TaichuAI - Compte Hugging Face : TaichuAI - Tâche : Vision-langage - Paramètres : 9,8 B - Licence : NVIDIA Open Model License - Langues déclarées : anglais, chinois - Formats : safetensors - Accès aux poids : libre - Créé le : 2026-09-04 - Mis à jour le : 2026-09-20 - Likes : 3028 - Téléchargements (30 j) : 13544 - Score Radar : 68/100 · pertinent IA pratique : oui - Domaines : Documents & OCR, Agents & outils, LLM en local - Faits vérifiés sur l'API Hugging Face le 14/10/2026 **Pourquoi ça compte.** VLM documentaire de 10 B, quantisations communautaires disponibles. --- # JEV-35B > Modèle de décision « System 1 » MoE : répond oui/non, score 0-5 ou choix parmi 256 options avec probabilités calibrées, sans générer de texte. Base Qwen3.5-35B-A3B. - Identifiant Hugging Face : `autotrust/JEV-35B` — https://huggingface.co/autotrust/JEV-35B - Type : Modèle - Éditeur : AutoTrust AI Lab - Compte Hugging Face : autotrust - Tâche : Décision typée - Paramètres : 36 B - Licence : apache-2.0 - Langues déclarées : anglais - Formats : safetensors - Modèle de base : Qwen/Qwen3.5-35B-A3B (fine-tune) - Bibliothèque : transformers - Accès aux poids : libre - Créé le : 2026-10-11 - Mis à jour le : 2026-10-14 - Likes : 714 - Téléchargements (30 j) : 27970 - arXiv : 2609.14973 - Score Radar : 68/100 · pertinent IA pratique : oui - Domaines : Agents & outils - Faits vérifiés sur l'API Hugging Face le 14/10/2026 **Pourquoi ça compte.** Decision Index 59,7 (contre 53,6 pour JEV-27B-VL), latence 204 ms ; variante NVFP4 de 25,6 Go pour un GPU 32 Go. --- # DeepSeek-V4.1-Flash > Version rapide de DeepSeek V4.1, mise à jour il y a 20 h (fiche inaccessible ce matin). - Identifiant Hugging Face : `deepseek-ai/DeepSeek-V4.1-Flash` — https://huggingface.co/deepseek-ai/DeepSeek-V4.1-Flash - Type : Modèle - Éditeur : DeepSeek - Compte Hugging Face : deepseek-ai - Tâche : Vision-langage - Paramètres : 763,2 B - Licence : mit - Formats : safetensors - Bibliothèque : transformers - Accès aux poids : libre - Créé le : 2026-09-10 - Mis à jour le : 2026-10-12 - Likes : 4494 - Téléchargements (30 j) : 1262357 - Score Radar : 68/100 · pertinent IA pratique : non - Domaines : Code, Agents & outils - Faits vérifiés sur l'API Hugging Face le 14/10/2026 **Pourquoi ça compte.** Mise à jour fraîche d'un modèle à 1,3 M de téléchargements. --- # OrcaSAQ-2-Cyber-27B-Uncensored-GGUF > Qwen3.8-27B sans refus, orienté cybersécurité (red team autorisé), code et appel d'outils ; quantisation mixte 15,7 Go pour llama.cpp / LM Studio. - Identifiant Hugging Face : `orcarouter/OrcaSAQ-2-Cyber-27B-Uncensored-GGUF` — https://huggingface.co/orcarouter/OrcaSAQ-2-Cyber-27B-Uncensored-GGUF - Type : Modèle - Éditeur : OrcaRouter - Compte Hugging Face : orcarouter - Tâche : Génération de texte - Paramètres : 27,3 B - Licence : apache-2.0 - Langues déclarées : anglais, chinois - Formats : GGUF - Contexte : 262144 tokens - Modèle de base : orcarouter/Qwen3.8-27B-Uncensored (quantification) - Bibliothèque : llama.cpp - Accès aux poids : sur demande - Créé le : 2026-09-26 - Mis à jour le : 2026-10-12 - Likes : 523 - Téléchargements (30 j) : 25403 - Score Radar : 68/100 · pertinent IA pratique : oui - Domaines : LLM en local, Code, Agents & outils - Faits vérifiés sur l'API Hugging Face le 14/10/2026 **Pourquoi ça compte.** 27 B dans 16 Go, code et tool-use en local. --- # TeleOCR > VLM de parsing de documents : OCR, tableaux, formules, layout ; GGUF disponibles ; chinois et anglais. - Identifiant Hugging Face : `XingChen-AGI/TeleOCR` — https://huggingface.co/XingChen-AGI/TeleOCR - Type : Modèle - Éditeur : XingChen-AGI - Compte Hugging Face : XingChen-AGI - Tâche : OCR / documents - Paramètres : 1,4 B - Licence : apache-2.0 - Langues déclarées : chinois, anglais - Formats : safetensors - Bibliothèque : transformers - Accès aux poids : libre - Créé le : 2026-08-14 - Mis à jour le : 2026-10-09 - Likes : 1302 - Téléchargements (30 j) : 48060 - arXiv : 2608.12898 - Score Radar : 67/100 · pertinent IA pratique : oui - Domaines : Documents & OCR, LLM en local - Faits vérifiés sur l'API Hugging Face le 14/10/2026 **Pourquoi ça compte.** OCR + tableaux + layout en 1,2 B --- # MiniCPM-V-4.7-35B-A3B > Premier MoE de la série MiniCPM-V : image, multi-images et vidéo, avec ordonnancement d'experts et décodage spéculatif pensés pour l'appareil (13 tok/s sur iPhone 17 Pro Max). GGUF, Ollama, FP8, int4. - Identifiant Hugging Face : `openbmb/MiniCPM-V-4.7-35B-A3B` — https://huggingface.co/openbmb/MiniCPM-V-4.7-35B-A3B - Type : Modèle - Éditeur : OpenBMB - Compte Hugging Face : openbmb - Tâche : Vision-langage - Paramètres : 35,2 B - Licence : apache-2.0 - Formats : safetensors - Bibliothèque : transformers - Accès aux poids : libre - Créé le : 2026-10-07 - Mis à jour le : 2026-10-14 - Likes : 539 - Téléchargements (30 j) : 4157 - Score Radar : 67/100 · pertinent IA pratique : oui - Domaines : LLM en local, Documents & OCR - Faits vérifiés sur l'API Hugging Face le 14/10/2026 **Pourquoi ça compte.** Vision-langage de 3 B actifs annoncé au-dessus de Qwen3.6-35B-A3B, directement exécutable en local. --- # Qwen-Image-2.1-Turbo-Uncensored-GGUF > Encodeur texte Qwen3-VL-8B « décensuré » en GGUF (3,3 à 16 Go) pour stable-diffusion.cpp. - Identifiant Hugging Face : `AtomicChat/Qwen-Image-2.1-Turbo-Uncensored-GGUF` — https://huggingface.co/AtomicChat/Qwen-Image-2.1-Turbo-Uncensored-GGUF - Type : Modèle - Éditeur : Atomic Chat - Compte Hugging Face : AtomicChat - Tâche : Texte→image - Paramètres : 8,2 B - Licence : apache-2.0 - Formats : GGUF - Contexte : 262144 tokens - Modèle de base : Qwen/Qwen3-VL-8B-Instruct (fine-tune) - Bibliothèque : gguf - Accès aux poids : libre - Créé le : 2026-10-09 - Mis à jour le : 2026-10-13 - Likes : 442 - Téléchargements (30 j) : 258320 - Score Radar : 66/100 · pertinent IA pratique : non - Domaines : Image & vidéo - Faits vérifiés sur l'API Hugging Face le 14/10/2026 **Pourquoi ça compte.** Génération d'images en local via ComfyUI. --- # whistle > ASR ultra-léger pour l'embarqué et le CPU. - Identifiant Hugging Face : `Cactus-Compute/whistle` — https://huggingface.co/Cactus-Compute/whistle - Type : Modèle - Éditeur : Cactus Compute, Inc. - Compte Hugging Face : Cactus-Compute - Tâche : Transcription - Taille : 17 Mo - Licence : apache-2.0 - Langues déclarées : anglais, allemand, français, espagnol, italien, néerlandais, polonais - Bibliothèque : cactus-needle - Accès aux poids : libre - Créé le : 2026-09-30 - Mis à jour le : 2026-10-10 - Likes : 388 - Téléchargements (30 j) : 23589 - Score Radar : 66/100 · pertinent IA pratique : oui - Domaines : Voix & audio, LLM en local - Faits vérifiés sur l'API Hugging Face le 14/10/2026 **Pourquoi ça compte.** Transcription locale légère. --- # CLM-v0.1-8B > Modèle contrastif (têtes de projection sur Qwen3-8B gelé) qui classe des candidats fournis au lieu de générer du texte ; anglais, Apache 2.0. - Identifiant Hugging Face : `Contrastive-LM/CLM-v0.1-8B` — https://huggingface.co/Contrastive-LM/CLM-v0.1-8B - Type : Modèle - Éditeur : Contrastive-LM - Compte Hugging Face : Contrastive-LM - Tâche : Classement de texte - Taille : 8 B - Licence : apache-2.0 - Langues déclarées : anglais - Modèle de base : Qwen/Qwen3-8B (fine-tune) - Bibliothèque : contrastive-lm - Accès aux poids : libre - Créé le : 2026-09-21 - Mis à jour le : 2026-09-24 - Likes : 772 - Téléchargements (30 j) : 4732 - Score Radar : 66/100 · pertinent IA pratique : oui - Domaines : Agents & outils, Documents & OCR - Faits vérifiés sur l'API Hugging Face le 14/10/2026 **Pourquoi ça compte.** Même famille que les modèles de décision : scorer et vérifier sans générer. --- # Mellum2.1-12B-A2.5B-Thinking-GGUF > GGUF officiels du MoE de code JetBrains : Q8_0 12,9 Go, Q6_K 10,9 Go, Q4_K_M 8,1 Go, MXFP4 7 Go ; contexte 131 k ; llama.cpp, Ollama, LM Studio. - Identifiant Hugging Face : `JetBrains/Mellum2.1-12B-A2.5B-Thinking-GGUF` — https://huggingface.co/JetBrains/Mellum2.1-12B-A2.5B-Thinking-GGUF - Type : Modèle - Éditeur : JetBrains - Compte Hugging Face : JetBrains - Tâche : Génération de code - Paramètres : 12,1 B - Licence : apache-2.0 - Langues déclarées : anglais - Formats : GGUF - Contexte : 131072 tokens - Modèle de base : JetBrains/Mellum2.1-12B-A2.5B-Thinking (quantification) - Bibliothèque : gguf - Accès aux poids : libre - Créé le : 2026-10-07 - Mis à jour le : 2026-10-07 - Likes : 88 - Téléchargements (30 j) : 47690 - Score Radar : 66/100 · pertinent IA pratique : oui - Domaines : Code, LLM en local - Faits vérifiés sur l'API Hugging Face le 14/10/2026 **Pourquoi ça compte.** L'agent de code annoncé hier tient maintenant en 8 Go sur un PC. --- # d1-omni-600M > Modèle de décision de 587 M (tronc 381 M + encodeurs vision 94 M et audio 112 M) : réponses typées sans génération de token, texte, images et 30 s d'audio, 15 langues, CPU/MPS/CUDA. Usage : routage, tri, modération, garde-fous d'agents, contrôle visuel. - Identifiant Hugging Face : `LiquidAI/d1-omni-600M` — https://huggingface.co/LiquidAI/d1-omni-600M - Type : Modèle - Éditeur : Liquid AI - Compte Hugging Face : LiquidAI - Tâche : Décision multimodale - Paramètres : 587 M - Licence : lfm1.0 - Langues déclarées : anglais, allemand, espagnol, français, italien, néerlandais, polonais, portugais, arabe, hindi, japonais, russe, turc, vietnamien, chinois - Formats : safetensors - Modèle de base : LiquidAI/LFM2.5-Encoder-350M (fine-tune) - Bibliothèque : transformers - Accès aux poids : libre - Créé le : 2026-10-05 - Mis à jour le : 2026-10-07 - Likes : 120 - Téléchargements (30 j) : 12388 - arXiv : 2511.23404 - Score Radar : 66/100 · pertinent IA pratique : oui - Domaines : Agents & outils, Documents & OCR, LLM en local, Français & multilingue - Faits vérifiés sur l'API Hugging Face le 14/10/2026 **Pourquoi ça compte.** Décision multimodale qui tient sur un CPU, 15 langues --- # Nemotron-3-Diarization > Qui parle quand — complément naturel de parakeet. - Identifiant Hugging Face : `nvidia/Nemotron-3-Diarization` — https://huggingface.co/nvidia/Nemotron-3-Diarization - Type : Modèle - Éditeur : NVIDIA - Compte Hugging Face : nvidia - Tâche : Diarisation - Paramètres : 99 M - Licence : openmdw-1.1 - Formats : GGUF, safetensors - Bibliothèque : nemo - Accès aux poids : libre - Créé le : 2026-09-01 - Mis à jour le : 2026-09-24 - Likes : 767 - Téléchargements (30 j) : 83992 - arXiv : 2408.13106, 2409.06656, 2507.09226, 2507.18446, 2605.15442 - Score Radar : 66/100 · pertinent IA pratique : oui - Domaines : Voix & audio - Faits vérifiés sur l'API Hugging Face le 14/10/2026 **Pourquoi ça compte.** Diarisation, complément de parakeet --- # MiniMax-H3-Character-Swap-LoRA > LoRA pour MiniMax-H3 qui remplace un personnage d'un clip par un personnage de référence. 415 likes en un jour, Space de démo officiel. - Identifiant Hugging Face : `akatz-ai/MiniMax-H3-Character-Swap-LoRA` — https://huggingface.co/akatz-ai/MiniMax-H3-Character-Swap-LoRA - Type : Modèle - Éditeur : akatz-ai - Compte Hugging Face : akatz-ai - Tâche : Vidéo vers vidéo - Taille : LoRA - Licence : minimax-h3-community-license-agreement - Langues déclarées : anglais - Modèle de base : Comfy-Org/MiniMax-H3 (adaptateur) - Bibliothèque : diffusion-single-file - Accès aux poids : libre - Créé le : 2026-09-25 - Mis à jour le : 2026-10-10 - Likes : 454 - Téléchargements (30 j) : 52021 - Score Radar : 64/100 · pertinent IA pratique : non - Domaines : Image & vidéo - Faits vérifiés sur l'API Hugging Face le 14/10/2026 **Pourquoi ça compte.** Montée fulgurante dans l'écosystème vidéo MiniMax-H3 --- # sam3 > Segment Anything 3 de Meta : segmentation d'images par prompt texte/points. - Identifiant Hugging Face : `facebook/sam3` — https://huggingface.co/facebook/sam3 - Type : Modèle - Éditeur : AI at Meta - Compte Hugging Face : facebook - Tâche : Segmentation - Paramètres : 860 M - Licence : other - Langues déclarées : anglais - Formats : safetensors - Bibliothèque : transformers - Accès aux poids : sur demande - Créé le : 2025-11-07 - Mis à jour le : 2025-11-20 - Likes : 4305 - Téléchargements (30 j) : 2019842 - Score Radar : 64/100 · pertinent IA pratique : non - Domaines : Image & vidéo - Faits vérifiés sur l'API Hugging Face le 14/10/2026 **Pourquoi ça compte.** Retour dans le top 30 ; brique vision de référence. --- # parakeet-redux > ASR parakeet en poids ternaires : 178 Mo, 25 langues dont le français, CPU 113× temps réel. - Identifiant Hugging Face : `moondream/parakeet-redux` — https://huggingface.co/moondream/parakeet-redux - Type : Modèle - Éditeur : moondream - Compte Hugging Face : moondream - Tâche : Transcription - Paramètres : 149 M - Licence : cc-by-4.0 - Langues déclarées : anglais, allemand, français, espagnol, italien, portugais, russe, ukrainien, hr, sl, lv, lt, et, fi, suédois, da, néerlandais, polonais, tchèque, sk, hu, ro, bg, el, mt - Formats : safetensors - Accès aux poids : libre - Créé le : 2026-09-18 - Mis à jour le : 2026-09-23 - Likes : 285 - Téléchargements (30 j) : 17429 - Score Radar : 64/100 · pertinent IA pratique : oui - Domaines : Voix & audio, LLM en local, Français & multilingue - Faits vérifiés sur l'API Hugging Face le 14/10/2026 **Pourquoi ça compte.** 178 Mo, 25 langues dont le français, CPU --- # pplx-decider-v1.1-27b > Modèle de décision de Perplexity sur base Qwen3.8-27B : probabilités sur des options (routage, classification), texte et images, attention non causale. Decision Index 61,6 contre 57,9 pour Jev. Environ 49 Go en BF16, trois quantisations dérivées. - Identifiant Hugging Face : `perplexity-ai/pplx-decider-v1.1-27b` — https://huggingface.co/perplexity-ai/pplx-decider-v1.1-27b - Type : Modèle - Éditeur : Perplexity - Compte Hugging Face : perplexity-ai - Tâche : Décision / classification - Paramètres : 26,1 B - Licence : apache-2.0 - Formats : safetensors - Modèle de base : Qwen/Qwen3.8-27B (fine-tune) - Bibliothèque : pytorch - Accès aux poids : libre - Créé le : 2026-10-05 - Mis à jour le : 2026-10-12 - Likes : 146 - Téléchargements (30 j) : 3154 - Score Radar : 64/100 · pertinent IA pratique : oui - Domaines : Agents & outils, Documents & OCR - Faits vérifiés sur l'API Hugging Face le 14/10/2026 **Pourquoi ça compte.** Perplexity entre dans la course aux modèles de décision et prend la tête du Decision Index --- # Qwen-Image-2.1-Turbo > Génération d'images en 8 étapes à partir de Qwen-Image-2.1 ; a lancé une vague de GGUF, LoRA et Spaces. - Identifiant Hugging Face : `Qwen/Qwen-Image-2.1-Turbo` — https://huggingface.co/Qwen/Qwen-Image-2.1-Turbo - Type : Modèle - Éditeur : Qwen - Compte Hugging Face : Qwen - Tâche : Texte→image - Paramètres : 7,1 B - Licence : qwen-research - Formats : safetensors - Modèle de base : Qwen/Qwen-Image-2.1 (fine-tune) - Bibliothèque : diffusers - Accès aux poids : libre - Créé le : 2026-10-09 - Mis à jour le : 2026-10-12 - Likes : 754 - Téléchargements (30 j) : 12704 - Score Radar : 63/100 · pertinent IA pratique : non - Domaines : Image & vidéo - Faits vérifiés sur l'API Hugging Face le 14/10/2026 **Pourquoi ça compte.** Génération en 8 étapes, écosystème très actif --- # ema-lightning > TTS de 8,6 millions de paramètres (34 Mo), streaming, turc uniquement. - Identifiant Hugging Face : `canberkkkkkk/ema-lightning` — https://huggingface.co/canberkkkkkk/ema-lightning - Type : Modèle - Éditeur : canberkkkkkk - Compte Hugging Face : canberkkkkkk - Tâche : Synthèse vocale - Taille : 8,6 M - Licence : apache-2.0 - Langues déclarées : turc - Accès aux poids : libre - Créé le : 2026-10-01 - Mis à jour le : 2026-10-06 - Likes : 408 - Téléchargements (30 j) : 24982 - arXiv : 2405.14867 - Score Radar : 63/100 · pertinent IA pratique : non - Domaines : Voix & audio - Faits vérifiés sur l'API Hugging Face le 14/10/2026 **Pourquoi ça compte.** Voix de synthèse légère, populaire cette semaine. --- # yodas3 > Plus de 1,1 million d'heures d'audio web en 100+ langues (dont le français, ~102 k lignes), transcriptions segmentées avec horodatage au mot, traductions anglaises, métadonnées audio. Sans recouvrement avec YODAS v1/v2. - Identifiant Hugging Face : `espnet/yodas3` — https://huggingface.co/datasets/espnet/yodas3 - Type : Dataset - Éditeur : ESPnet - Compte Hugging Face : espnet - Tâche : Corpus audio / ASR - Taille : 55,7 To - Licence : cc-by-3.0 - Accès aux poids : libre - Créé le : 2026-06-19 - Mis à jour le : 2026-10-07 - Likes : 249 - Téléchargements (30 j) : 297419 - Score Radar : 63/100 · pertinent IA pratique : oui - Domaines : Données & benchmarks, Voix & audio, Français & multilingue - Faits vérifiés sur l'API Hugging Face le 14/10/2026 **Pourquoi ça compte.** Le plus gros corpus ouvert pour entraîner ou évaluer la transcription multilingue --- # humanizer > Modèle qui « humanise » les textes générés par IA pour passer les détecteurs. - Identifiant Hugging Face : `jialinyyzz/humanizer` — https://huggingface.co/jialinyyzz/humanizer - Type : Modèle - Éditeur : jialinyyzz - Compte Hugging Face : jialinyyzz - Tâche : Génération de texte - Paramètres : 12 B - Licence : apache-2.0 - Langues déclarées : anglais, chinois - Formats : GGUF, safetensors - Contexte : 262144 tokens - Modèle de base : google/gemma-4-12B (fine-tune) - Bibliothèque : gguf - Accès aux poids : libre - Créé le : 2026-09-11 - Mis à jour le : 2026-10-08 - Likes : 1601 - Téléchargements (30 j) : 65616 - Score Radar : 63/100 · pertinent IA pratique : non - Domaines : - Faits vérifiés sur l'API Hugging Face le 14/10/2026 **Pourquoi ça compte.** Engouement communautaire, mais usage discutable. --- # OrcaSAQ-2-27B > Qwen3.8-27B texte à 3,2 bits : 12,3 Go au lieu de 54, appel d'outils et mode réflexion conservés. - Identifiant Hugging Face : `orcarouter/OrcaSAQ-2-27B` — https://huggingface.co/orcarouter/OrcaSAQ-2-27B - Type : Modèle - Éditeur : OrcaRouter - Compte Hugging Face : orcarouter - Tâche : Génération de texte - Paramètres : 6,8 B - Licence : apache-2.0 - Langues déclarées : anglais, chinois - Formats : safetensors - Modèle de base : Qwen/Qwen3.8-27B (quantification) - Bibliothèque : vllm - Accès aux poids : libre - Créé le : 2026-09-24 - Mis à jour le : 2026-10-12 - Likes : 280 - Téléchargements (30 j) : 5628 - Score Radar : 63/100 · pertinent IA pratique : oui - Domaines : LLM en local, Agents & outils, Code - Faits vérifiés sur l'API Hugging Face le 14/10/2026 **Pourquoi ça compte.** 12,3 Go, outils et réflexion conservés --- # EgoDemo > Démonstrations égocentriques pour l'apprentissage robotique, publiées avec EgoPro et EgoStandard (trois jeux le même jour). - Identifiant Hugging Face : `LightwheelAI/EgoDemo` — https://huggingface.co/datasets/LightwheelAI/EgoDemo - Type : Dataset - Éditeur : Lightwheel - Compte Hugging Face : LightwheelAI - Tâche : Robotique / vidéo égocentrique - Taille : n.c. - Licence : commercial-training-no-resale-v1.0 - Langues déclarées : anglais - Volumétrie : 1K Variante entraînée par renforcement de MiMo-V2.6 (Xiaomi) ; taille non vérifiée. - Identifiant Hugging Face : `XiaomiMiMo/MiMo-V2.6-Pro-RL` — https://huggingface.co/XiaomiMiMo/MiMo-V2.6-Pro-RL - Type : Modèle - Éditeur : Xiaomi MiMo - Compte Hugging Face : XiaomiMiMo - Tâche : Génération de texte - Paramètres : 1024,2 B - Licence : mit - Langues déclarées : anglais, chinois - Formats : safetensors - Bibliothèque : transformers - Accès aux poids : libre - Créé le : 2026-09-21 - Mis à jour le : 2026-10-09 - Likes : 716 - Téléchargements (30 j) : 98513 - Score Radar : 62/100 · pertinent IA pratique : non - Domaines : Tendances & récap - Faits vérifiés sur l'API Hugging Face le 14/10/2026 **Pourquoi ça compte.** À qualifier : fiche non lue. --- # Mellum2.1-12B-A2.5B-Thinking > MoE de JetBrains pour le code agentique (navigation de dépôt, commandes, appel d'outils) : 12 B dont 2,5 B actifs, contexte 131 k, RL sur de vrais dépôts. SWE-bench Verified 47, LiveCodeBench 82. GGUF officiels annoncés, 13 quantisations communautaires. - Identifiant Hugging Face : `JetBrains/Mellum2.1-12B-A2.5B-Thinking` — https://huggingface.co/JetBrains/Mellum2.1-12B-A2.5B-Thinking - Type : Modèle - Éditeur : JetBrains - Compte Hugging Face : JetBrains - Tâche : Génération de code / agents - Paramètres : 12,1 B - Licence : apache-2.0 - Langues déclarées : anglais - Formats : safetensors - Modèle de base : JetBrains/Mellum2-12B-A2.5B-Base (fine-tune) - Bibliothèque : transformers - Accès aux poids : libre - Créé le : 2026-09-20 - Mis à jour le : 2026-10-07 - Likes : 128 - Téléchargements (30 j) : 1783 - arXiv : 2605.31268 - Score Radar : 61/100 · pertinent IA pratique : oui - Domaines : Code, Agents & outils, LLM en local - Faits vérifiés sur l'API Hugging Face le 14/10/2026 **Pourquoi ça compte.** Un agent de code à 2,5 B actifs, taillé pour tourner en local une fois quantisé --- # wikipedia > Dumps Wikipédia nettoyés dans plus de 300 langues, dont le français. - Identifiant Hugging Face : `wikimedia/wikipedia` — https://huggingface.co/datasets/wikimedia/wikipedia - Type : Dataset - Éditeur : Wikimedia - Compte Hugging Face : wikimedia - Tâche : Corpus encyclopédique - Taille : 61,6 M lignes - Licence : cc-by-sa-3.0 - Langues déclarées : ab, ace, ady, af, alt, am, ami, an, ang, anp, arabe, arc, ary, arz, as, ast, atj, av, avk, awa, ay, az, azb, ba, ban, bar, bbc, bcl, be, bg, bh, bi, bjn, blk, bm, bn, bo, bpy, br, bs, bug, bxr, ca, cbk, cdo, ce, ceb, ch, chr, chy, ckb, co, cr, crh, tchèque, csb, cu, cv, cy, da, dag, allemand, dga, din, diq, dsb, dty, dv, dz, ee, el, eml, anglais, eo, espagnol, et, eu, ext, fa, fat, ff, fi, fj, fo, fon, français, frp, frr, fur, fy, ga, gag, gan, gcr, gd, gl, glk, gn, gom, gor, got, gpe, gsw, gu, guc, gur, guw, gv, ha, hak, haw, hbs, he, hindi, hif, hr, hsb, ht, hu, hy, hyw, ia, id, ie, ig, ik, ilo, inh, io, is, italien, iu, japonais, jam, jbo, jv, ka, kaa, kab, kbd, kbp, kcg, kg, ki, kk, kl, km, kn, coréen, koi, krc, ks, ksh, ku, kv, kw, ky, la, lad, lb, lbe, lez, lfn, lg, li, lij, lld, lmo, ln, lo, lt, ltg, lv, lzh, mad, mai, map, mdf, mg, mhr, mi, min, mk, ml, mn, mni, mnw, mr, mrj, ms, mt, mwl, my, myv, mzn, nah, nan, nap, nds, ne, new, nia, néerlandais, nn, no, nov, nqo, nrf, nso, nv, ny, oc, olo, om, or, os, pa, pag, pam, pap, pcd, pcm, pdc, pfl, pi, pih, polonais, pms, pnb, pnt, ps, portugais, pwn, qu, rm, rmy, rn, ro, russe, rue, rup, rw, sa, sah, sat, sc, scn, sco, sd, se, sg, sgs, shi, shn, si, sk, skr, sl, sm, smn, sn, so, sq, sr, srn, ss, st, stq, su, suédois, sw, szl, szy, ta, tay, tcy, te, tet, tg, th, ti, tk, tl, tly, tn, to, tpi, turc, trv, ts, tt, tum, tw, ty, tyv, udm, ug, ukrainien, ur, uz, ve, vec, vep, vietnamien, vls, vo, vro, wa, war, wo, wuu, xal, xh, xmf, yi, yo, yue, za, zea, zgh, chinois, zu - Volumétrie : n<1K, 1K 1,2 M captures d'écran annotées pour agents « computer-use », par l'équipe Docling. - Identifiant Hugging Face : `docling-project/DeskForge-1M` — https://huggingface.co/datasets/docling-project/DeskForge-1M - Type : Dataset - Éditeur : Docling - Compte Hugging Face : docling-project - Tâche : Agents computer-use - Taille : 1,2 M captures - Licence : mit - Langues déclarées : anglais - Volumétrie : 1M Version légère de LightOnOCR-3 : même sortie markdown et même mode grounding que le 4 B, pensée pour la vitesse. vLLM, Transformers, SGLang. - Identifiant Hugging Face : `lightonai/LightOnOCR-3-0.8B` — https://huggingface.co/lightonai/LightOnOCR-3-0.8B - Type : Modèle - Éditeur : LightOn AI - Compte Hugging Face : lightonai - Tâche : OCR / vision-langage documentaire - Paramètres : 853 M - Licence : apache-2.0 - Langues déclarées : anglais - Formats : safetensors - Bibliothèque : transformers - Accès aux poids : libre - Créé le : 2026-10-07 - Mis à jour le : 2026-10-09 - Likes : 63 - Téléchargements (30 j) : 3009 - arXiv : 2412.13663, 2601.14251 - Score Radar : 60/100 · pertinent IA pratique : oui - Domaines : Documents & OCR, LLM en local - Faits vérifiés sur l'API Hugging Face le 14/10/2026 **Pourquoi ça compte.** Un OCR documentaire complet sous 1 B de paramètres, utilisable sur une petite carte. --- # UltraData-SFT-Agent-2609 > 240 k exemples pour entraîner des agents tool-use. - Identifiant Hugging Face : `openbmb/UltraData-SFT-Agent-2609` — https://huggingface.co/datasets/openbmb/UltraData-SFT-Agent-2609 - Type : Dataset - Éditeur : OpenBMB - Compte Hugging Face : openbmb - Tâche : Dataset agents - Taille : 240 k exemples - Licence : apache-2.0 - Langues déclarées : anglais, chinois - Volumétrie : 100K Modèle de décision multimodal (texte, JSON, images, vidéos) issu du projet vLLM Semantic Router, base Qwen3.8-27B ; retourne une probabilité par réponse, sans texte. - Identifiant Hugging Face : `vllm-sr/d3` — https://huggingface.co/vllm-sr/d3 - Type : Modèle - Éditeur : vLLM Semantic Router - Compte Hugging Face : vllm-sr - Tâche : Décision typée multimodale - Paramètres : 26,1 B - Licence : apache-2.0 - Formats : safetensors - Modèle de base : Qwen/Qwen3.8-27B (fine-tune) - Bibliothèque : transformers - Accès aux poids : libre - Créé le : 2026-10-10 - Mis à jour le : 2026-10-14 - Likes : 153 - Téléchargements (30 j) : 1805 - Score Radar : 60/100 · pertinent IA pratique : oui - Domaines : Agents & outils, Documents & OCR - Faits vérifiés sur l'API Hugging Face le 14/10/2026 **Pourquoi ça compte.** Nouveau record public du Decision Index : 65,5, devant pplx-decider (61,6). --- # Kolibri-1 > LLM européen de 78 B publié par Aleph Alpha. - Identifiant Hugging Face : `Aleph-Alpha/Kolibri-1` — https://huggingface.co/Aleph-Alpha/Kolibri-1 - Type : Modèle - Éditeur : Aleph Alpha - Compte Hugging Face : Aleph-Alpha - Tâche : Génération de texte - Paramètres : 78,1 B - Licence : apache-2.0 - Langues déclarées : allemand, anglais - Formats : safetensors - Modèle de base : Aleph-Alpha/Kolibri-1-BF16 (quantification) - Bibliothèque : vllm - Accès aux poids : libre - Créé le : 2026-10-02 - Mis à jour le : 2026-10-13 - Likes : 931 - Téléchargements (30 j) : 16060 - arXiv : 2512.11614, 2601.17858 - Score Radar : 59/100 · pertinent IA pratique : non - Domaines : Français & multilingue - Faits vérifiés sur l'API Hugging Face le 14/10/2026 **Pourquoi ça compte.** Acteur européen dans le top 20. --- # Hemmingway-1 > Modèle de génération de texte entré dans le top 30 des likes du mois ; taille et licence non vérifiées. - Identifiant Hugging Face : `Altworld/Hemmingway-1` — https://huggingface.co/Altworld/Hemmingway-1 - Type : Modèle - Éditeur : Altworld - Compte Hugging Face : Altworld - Tâche : Génération de texte - Paramètres : 26,9 B - Licence : cc-by-nc-4.0 - Langues déclarées : anglais - Formats : safetensors - Modèle de base : Qwen/Qwen3.8-27B (fine-tune) - Bibliothèque : transformers - Accès aux poids : libre - Créé le : 2026-09-20 - Mis à jour le : 2026-10-01 - Likes : 863 - Téléchargements (30 j) : 11737 - Score Radar : 59/100 · pertinent IA pratique : non - Domaines : Tendances & récap - Faits vérifiés sur l'API Hugging Face le 14/10/2026 **Pourquoi ça compte.** À qualifier : fiche non lue. --- # clef-omni > Variante omni de clef, post-entraînée depuis Qwen3-Omni-30B-A3B : état texte/JSON/image/audio/vidéo + schéma de questions typées, probabilités par option en une passe. Cas cités : factures, routage support, tri d'incidents. 64 Go en BF16, 8 quantisations. - Identifiant Hugging Face : `Cloudflare/clef-omni` — https://huggingface.co/Cloudflare/clef-omni - Type : Modèle - Éditeur : Cloudflare - Compte Hugging Face : Cloudflare - Tâche : Décision multimodale - Paramètres : 35,3 B - Licence : apache-2.0 - Formats : safetensors - Modèle de base : Qwen/Qwen3-Omni-30B-A3B-Instruct (fine-tune) - Bibliothèque : transformers - Accès aux poids : libre - Créé le : 2026-10-09 - Mis à jour le : 2026-10-09 - Likes : 118 - Téléchargements (30 j) : 1949 - Score Radar : 59/100 · pertinent IA pratique : oui - Domaines : Agents & outils, Documents & OCR - Faits vérifiés sur l'API Hugging Face le 14/10/2026 **Pourquoi ça compte.** Décision multimodale MoE incluant l'audio, avec des cas métier documentaires --- # Open-Jev > Données ouvertes de reproduction du modèle de décision Jev (classification typée, anglais, chinois, turc). - Identifiant Hugging Face : `ZefanCai/Open-Jev` — https://huggingface.co/datasets/ZefanCai/Open-Jev - Type : Dataset - Éditeur : ZefanCai - Compte Hugging Face : ZefanCai - Tâche : Classification de texte - Taille : 520 k - Licence : cc0-1.0 - Langues déclarées : anglais, chinois, turc - Volumétrie : 100K Modèle omni-modal 5 B de Tencent qui convertit pages, images, graphiques, audio et vidéo en JSON structuré (mise en page, texte, tableaux OTSL, formules LaTeX, Mermaid, boîtes, horodatages). OmniDocBench 97, meilleur open-weight sur OmniParsingBench. GPU requis. - Identifiant Hugging Face : `tencent/Youtu-Parsing-Omni` — https://huggingface.co/tencent/Youtu-Parsing-Omni - Type : Modèle - Éditeur : Tencent - Compte Hugging Face : tencent - Tâche : Analyse de documents (OCR, mise en page) - Paramètres : 5,3 B - Licence : youtu-parsing - Formats : safetensors - Bibliothèque : transformers - Accès aux poids : libre - Créé le : 2026-10-09 - Mis à jour le : 2026-10-10 - Likes : 92 - Téléchargements (30 j) : 1180 - arXiv : 2512.24618, 2601.19798, 2601.20430 - Score Radar : 59/100 · pertinent IA pratique : oui - Domaines : Documents & OCR - Faits vérifiés sur l'API Hugging Face le 14/10/2026 **Pourquoi ça compte.** Parsing documentaire tout-en-un avec sortie JSON exploitable --- # d1-3B-GGUF > Quantisations GGUF officielles du d1-3B de Liquid AI pour llama.cpp. - Identifiant Hugging Face : `LiquidAI/d1-3B-GGUF` — https://huggingface.co/LiquidAI/d1-3B-GGUF - Type : Modèle - Éditeur : Liquid AI - Compte Hugging Face : LiquidAI - Tâche : Vision-langage / décision - Paramètres : 2,7 B - Licence : lfm1.0 - Langues déclarées : arabe, chinois, anglais, français, allemand, hindi, id, italien, japonais, coréen, polonais, portugais, russe, espagnol, th, vietnamien - Formats : GGUF - Contexte : 32768 tokens - Modèle de base : LiquidAI/d1-3B (quantification) - Bibliothèque : gguf - Accès aux poids : libre - Créé le : 2026-10-06 - Mis à jour le : 2026-10-07 - Likes : 54 - Téléchargements (30 j) : 22527 - Score Radar : 58/100 · pertinent IA pratique : oui - Domaines : LLM en local, Agents & outils - Faits vérifiés sur l'API Hugging Face le 14/10/2026 **Pourquoi ça compte.** Déjà 16,8 k téléchargements : la version locale du d1-3B vu le 11/10. --- # GLiNER2.5-multi-Decide > Variante multilingue de GLiNER2.5-Decide. - Identifiant Hugging Face : `fastino/GLiNER2.5-multi-Decide` — https://huggingface.co/fastino/GLiNER2.5-multi-Decide - Type : Modèle - Éditeur : fastino - Compte Hugging Face : fastino - Tâche : Classification - Paramètres : 287 M - Licence : apache-2.0 - Langues déclarées : multilingue (langues non détaillées), anglais - Formats : safetensors - Modèle de base : fastino/gliner2.5-multi-v1 (fine-tune) - Bibliothèque : transformers - Accès aux poids : libre - Créé le : 2026-09-24 - Mis à jour le : 2026-10-08 - Likes : 63 - Téléchargements (30 j) : 16141 - arXiv : 2507.18546 - Score Radar : 58/100 · pertinent IA pratique : oui - Domaines : Agents & outils, Documents & OCR, LLM en local, Français & multilingue - Faits vérifiés sur l'API Hugging Face le 14/10/2026 **Pourquoi ça compte.** Variante multilingue pour le français --- # GAIA > Benchmark d'assistants généralistes (agents + outils). - Identifiant Hugging Face : `gaia-benchmark/GAIA` — https://huggingface.co/datasets/gaia-benchmark/GAIA - Type : Dataset - Éditeur : GAIA - Compte Hugging Face : gaia-benchmark - Tâche : Évaluation d'agents - Taille : 932 lignes - Licence : non déclarée - Langues déclarées : anglais - Accès aux poids : sur demande - Créé le : 2023-10-20 - Mis à jour le : 2025-10-28 - Likes : 885 - Téléchargements (30 j) : 11678 - arXiv : 2311.12983 - Score Radar : 58/100 · pertinent IA pratique : oui - Domaines : Données & benchmarks, Agents & outils - Faits vérifiés sur l'API Hugging Face le 14/10/2026 **Pourquoi ça compte.** Retour au classement : l'éval agents de référence. --- # MiMo-V2.6-RL-oss > Données d'entraînement par renforcement publiées avec MiMo-V2.6 (texte, images, documents). - Identifiant Hugging Face : `XiaomiMiMo/MiMo-V2.6-RL-oss` — https://huggingface.co/datasets/XiaomiMiMo/MiMo-V2.6-RL-oss - Type : Dataset - Éditeur : Xiaomi MiMo - Compte Hugging Face : XiaomiMiMo - Tâche : Données RL - Taille : 7,8 k lignes - Licence : apache-2.0 - Accès aux poids : libre - Créé le : 2026-09-25 - Mis à jour le : 2026-09-26 - Likes : 945 - Téléchargements (30 j) : 139303 - Score Radar : 57/100 · pertinent IA pratique : non - Domaines : Données & benchmarks, Tendances & récap - Faits vérifiés sur l'API Hugging Face le 14/10/2026 **Pourquoi ça compte.** Données RL ouvertes d'un grand labo. --- # dinov3-vitl16-pretrain-lvd1689m > Backbone visuel DINOv3 ViT-L. - Identifiant Hugging Face : `facebook/dinov3-vitl16-pretrain-lvd1689m` — https://huggingface.co/facebook/dinov3-vitl16-pretrain-lvd1689m - Type : Modèle - Éditeur : AI at Meta - Compte Hugging Face : facebook - Tâche : Features image - Paramètres : 303 M - Licence : dinov3-license - Langues déclarées : anglais - Formats : safetensors - Modèle de base : facebook/dinov3-vit7b16-pretrain-lvd1689m (fine-tune) - Bibliothèque : transformers - Accès aux poids : sur demande - Créé le : 2025-08-06 - Mis à jour le : 2025-08-19 - Likes : 1253 - Téléchargements (30 j) : 756931 - arXiv : 2508.10104 - Score Radar : 57/100 · pertinent IA pratique : non - Domaines : Image & vidéo - Faits vérifiés sur l'API Hugging Face le 14/10/2026 **Pourquoi ça compte.** Brique vision générique. --- # LightOnOCR-3-4B > OCR de bout en bout sur architecture Qwen3.5 : page scannée vers markdown, et en mode « grounding » boîtes englobantes par bloc, descriptions d'images et graphiques convertis en tableaux HTML. - Identifiant Hugging Face : `lightonai/LightOnOCR-3-4B` — https://huggingface.co/lightonai/LightOnOCR-3-4B - Type : Modèle - Éditeur : LightOn AI - Compte Hugging Face : lightonai - Tâche : OCR / vision-langage documentaire - Paramètres : 4,5 B - Licence : apache-2.0 - Formats : safetensors - Bibliothèque : transformers - Accès aux poids : libre - Créé le : 2026-10-06 - Mis à jour le : 2026-10-09 - Likes : 84 - Téléchargements (30 j) : 7896 - arXiv : 2412.13663, 2601.14251 - Score Radar : 57/100 · pertinent IA pratique : oui - Domaines : Documents & OCR, LLM en local - Faits vérifiés sur l'API Hugging Face le 14/10/2026 **Pourquoi ça compte.** Éditeur français, olmOCR-bench 86,3, et 13 versions quantisées pour llama.cpp / LM Studio. --- # arxiv-complete > Corpus complet d'articles arXiv (128 millions de lignes) pour la génération et la recherche de texte. - Identifiant Hugging Face : `secemp9/arxiv-complete` — https://huggingface.co/datasets/secemp9/arxiv-complete - Type : Dataset - Éditeur : secemp9 - Compte Hugging Face : secemp9 - Tâche : Corpus scientifique - Taille : 128 M lignes - Licence : mixed-arxiv-author-licenses - Langues déclarées : anglais - Volumétrie : 10M Version non officielle de GLM-5.3-Flash élaguée à 192 experts sur 288 et quantisée NVFP4 (124 Go), visant deux DGX Spark reliés ou un B200. - Identifiant Hugging Face : `autotrust/GLM5.3-Flash-E192-DGX-Spark` — https://huggingface.co/autotrust/GLM5.3-Flash-E192-DGX-Spark - Type : Modèle - Éditeur : AutoTrust AI Lab - Compte Hugging Face : autotrust - Tâche : LLM généraliste - Paramètres : 110,7 B - Licence : mit - Langues déclarées : anglais, chinois - Formats : safetensors - Modèle de base : zai-org/GLM-5.3-Flash (quantification) - Bibliothèque : vllm - Accès aux poids : libre - Créé le : 2026-10-09 - Mis à jour le : 2026-10-11 - Likes : 177 - Téléchargements (30 j) : 6016 - Score Radar : 56/100 · pertinent IA pratique : non - Domaines : Tendances & récap - Faits vérifiés sur l'API Hugging Face le 14/10/2026 **Pourquoi ça compte.** Signal : la compression par élagage d'experts se démocratise pour les gros MoE. --- # Gen-HumanEgo > Vidéos humaines égocentriques pour la robotique. - Identifiant Hugging Face : `genrobot2025/Gen-HumanEgo` — https://huggingface.co/datasets/genrobot2025/Gen-HumanEgo - Type : Dataset - Éditeur : genrobot.ai - Compte Hugging Face : genrobot2025 - Tâche : Robotique - Taille : n.c. - Licence : cc-by-sa-4.0 - Langues déclarées : anglais - Volumétrie : n>1T - Accès aux poids : sur demande - Créé le : 2026-07-13 - Mis à jour le : 2026-09-25 - Likes : 79 - Téléchargements (30 j) : 446022 - Score Radar : 56/100 · pertinent IA pratique : non - Domaines : Données & benchmarks - Faits vérifiés sur l'API Hugging Face le 14/10/2026 **Pourquoi ça compte.** 400 k téléchargements. --- # YuE2-3B > Modèle de génération musicale (texte vers audio) de 3 B, deuxième génération de YuE. - Identifiant Hugging Face : `m-a-p/YuE2-3B` — https://huggingface.co/m-a-p/YuE2-3B - Type : Modèle - Éditeur : Multimodal Art Projection - Compte Hugging Face : m-a-p - Tâche : Texte vers audio - Paramètres : 3,6 B - Licence : cc-by-nc-4.0 - Langues déclarées : chinois, anglais - Formats : safetensors - Accès aux poids : libre - Créé le : 2026-09-09 - Mis à jour le : 2026-10-06 - Likes : 1147 - Téléchargements (30 j) : 35060 - arXiv : 2503.08638, 2609.33757, 2610.05336 - Score Radar : 56/100 · pertinent IA pratique : non - Domaines : Voix & audio - Faits vérifiés sur l'API Hugging Face le 14/10/2026 **Pourquoi ça compte.** Hors périmètre transcription, mais très suivi. --- # alania-synthetic-speech-tr > Parole turque synthétique (VoxCPM2) avec transcriptions, descriptions de voix et scores qualité ; pour ASR et TTS. - Identifiant Hugging Face : `cloud0day3/alania-synthetic-speech-tr` — https://huggingface.co/datasets/cloud0day3/alania-synthetic-speech-tr - Type : Dataset - Éditeur : cloud0day3 - Compte Hugging Face : cloud0day3 - Tâche : Parole synthétique (turc) - Taille : 2 M lignes - Licence : cc-by-4.0-and-cc-by-sa-4.0 - Langues déclarées : turc - Volumétrie : 1M Modèle de décision 4 B (base Qwen3.5-4B) : questions typées (choix, oui/non, score) sur un document, un ticket ou une conversation avec images, une passe et un token par décision. - Identifiant Hugging Face : `h2oai/h2o-lightning-4b` — https://huggingface.co/h2oai/h2o-lightning-4b - Type : Modèle - Éditeur : H2O.ai - Compte Hugging Face : h2oai - Tâche : Décision typée - Paramètres : 4,5 B - Licence : apache-2.0 - Formats : safetensors - Modèle de base : Qwen/Qwen3.5-4B (fine-tune) - Bibliothèque : transformers - Accès aux poids : libre - Créé le : 2026-10-02 - Mis à jour le : 2026-10-14 - Likes : 68 - Téléchargements (30 j) : 2568 - Score Radar : 54/100 · pertinent IA pratique : oui - Domaines : Agents & outils, Documents & OCR, LLM en local - Faits vérifiés sur l'API Hugging Face le 14/10/2026 **Pourquoi ça compte.** 99 % sur les totaux de reçus et 96 % sur les tableaux : la décision typée descend à 4 B. --- # bharat-government-documents > Corpus de 65 k documents administratifs indiens, utile pour tester OCR, classification et extraction sur des documents réels. - Identifiant Hugging Face : `ankitjh4/bharat-government-documents` — https://huggingface.co/datasets/ankitjh4/bharat-government-documents - Type : Dataset - Éditeur : ankitjh4 - Compte Hugging Face : ankitjh4 - Tâche : Documents administratifs - Taille : 65 k documents - Licence : source-specific-rights - Accès aux poids : libre - Créé le : 2026-09-30 - Mis à jour le : 2026-10-04 - Likes : 64 - Téléchargements (30 j) : 929 - Score Radar : 53/100 · pertinent IA pratique : oui - Domaines : Données & benchmarks, Documents & OCR - Faits vérifiés sur l'API Hugging Face le 14/10/2026 **Pourquoi ça compte.** Jeu de test réaliste pour les pipelines documentaires --- # tiktok-5.6B-videos > Métadonnées de 5,6 milliards de vidéos TikTok au format parquet, licence non commerciale. - Identifiant Hugging Face : `datasocial/tiktok-5.6B-videos` — https://huggingface.co/datasets/datasocial/tiktok-5.6B-videos - Type : Dataset - Éditeur : datasocial - Compte Hugging Face : datasocial - Tâche : Métadonnées vidéo - Taille : 5,6 Md lignes - Licence : cc-by-nc-4.0 - Volumétrie : n>1T - Accès aux poids : libre - Créé le : 2026-10-03 - Mis à jour le : 2026-10-07 - Likes : 297 - Téléchargements (30 j) : 17164 - Score Radar : 53/100 · pertinent IA pratique : non - Domaines : Données & benchmarks, Image & vidéo - Faits vérifiés sur l'API Hugging Face le 14/10/2026 **Pourquoi ça compte.** Jeu de données le plus tendance du jour. --- # NeuDecide > Modèle vocal minuscule (3 graphes ONNX, 43 Mo) qui transforme une commande parlée directement en appel d'outil JSON, sans transcription. Anglais seulement, accès sous condition. - Identifiant Hugging Face : `neuphonic/neudecide` — https://huggingface.co/neuphonic/neudecide - Type : Modèle - Éditeur : Neuphonic - Compte Hugging Face : neuphonic - Tâche : Voix vers appel d'outil - Taille : 55 M - Licence : apache-2.0 - Langues déclarées : anglais - Formats : ONNX - Bibliothèque : onnx - Accès aux poids : sur demande - Créé le : 2026-10-06 - Mis à jour le : 2026-10-09 - Likes : 74 - Téléchargements (30 j) : 571 - Score Radar : 53/100 · pertinent IA pratique : oui - Domaines : Voix & audio, Agents & outils, LLM en local - Faits vérifiés sur l'API Hugging Face le 14/10/2026 **Pourquoi ça compte.** 46 ms sur un portable, 206 ms sur Raspberry Pi 5, un seul cœur CPU : l'appel d'outil vocal embarqué. --- # imagenet-1k > Le jeu de référence ImageNet (1 000 classes), de retour dans le trending. - Identifiant Hugging Face : `ILSVRC/imagenet-1k` — https://huggingface.co/datasets/ILSVRC/imagenet-1k - Type : Dataset - Éditeur : Large Scale Visual Recognition Challenge - Compte Hugging Face : ILSVRC - Tâche : Classification d'images - Taille : 1,4 M images - Licence : other - Langues déclarées : anglais - Volumétrie : 1M Conversations médecin-patient synthétiques en anglais, générées par un LLM. - Identifiant Hugging Face : `nisten/opus5-5-doctor-patient-conversations-all-human-diseases` — https://huggingface.co/datasets/nisten/opus5-5-doctor-patient-conversations-all-human-diseases - Type : Dataset - Éditeur : nisten - Compte Hugging Face : nisten - Tâche : Dialogues synthétiques - Taille : 3,5 k - Licence : apache-2.0 - Langues déclarées : anglais - Volumétrie : 1K Traces d'exécution d'agents LLM (2,5 millions de lignes) publiées par Harvard. - Identifiant Hugging Face : `harvardMadsys/freeinference_agentic_trace` — https://huggingface.co/datasets/harvardMadsys/freeinference_agentic_trace - Type : Dataset - Éditeur : Harvard MaDSys - Compte Hugging Face : harvardMadsys - Tâche : Traces d'agents - Taille : 2,5 M lignes - Licence : cc-by-4.0 - Volumétrie : 1M Carnet d'ordres niveau 2 tick par tick des actions A chinoises. - Identifiant Hugging Face : `venvoo/china-a-share-l2-level2-limit-order-book-tick-data` — https://huggingface.co/datasets/venvoo/china-a-share-l2-level2-limit-order-book-tick-data - Type : Dataset - Éditeur : venvoo - Compte Hugging Face : venvoo - Tâche : Données financières - Taille : > 1 To - Licence : research-use-only - Volumétrie : n>1T - Accès aux poids : sur demande - Créé le : 2026-09-01 - Mis à jour le : 2026-09-30 - Likes : 264 - Téléchargements (30 j) : 113487 - Score Radar : 51/100 · pertinent IA pratique : non - Domaines : Données & benchmarks - Faits vérifiés sur l'API Hugging Face le 14/10/2026 **Pourquoi ça compte.** Hors périmètre. --- # jev-decision-index > Tableau de bord communautaire qui compare les modèles de décision (Jev, clef, pplx-decider, d1) sur le Decision Index, avec actualités des reproductions. - Identifiant Hugging Face : `multimodalart/jev-decision-index` — https://huggingface.co/spaces/multimodalart/jev-decision-index - Type : Space - Éditeur : multimodalart - Compte Hugging Face : multimodalart - Tâche : Benchmark de décision - Taille : n.c. - Licence : non déclarée - Accès aux poids : libre - Créé le : 2026-09-17 - Mis à jour le : 2026-10-14 - Likes : 654 - Téléchargements : 0 - Score Radar : 50/100 · pertinent IA pratique : oui - Domaines : Agents & outils - Faits vérifiés sur l'API Hugging Face le 14/10/2026 **Pourquoi ça compte.** L'arbitre de la course aux modèles de décision --- # openai-math > Environnement d'apprentissage par renforcement mathématique au format FineEnvs, prêt pour l'entraînement d'agents. - Identifiant Hugging Face : `FineEnvs/openai-math` — https://huggingface.co/datasets/FineEnvs/openai-math - Type : Dataset - Éditeur : FineEnvs - Compte Hugging Face : FineEnvs - Tâche : Environnement RL - Taille : n.c. - Licence : apache-2.0 - Accès aux poids : libre - Créé le : 2026-10-08 - Mis à jour le : 2026-10-09 - Likes : 83 - Téléchargements (30 j) : 4873 - Score Radar : 48/100 · pertinent IA pratique : non - Domaines : Données & benchmarks, Agents & outils - Faits vérifiés sur l'API Hugging Face le 14/10/2026 **Pourquoi ça compte.** Les environnements RL deviennent un type de dataset à part entière --- # EgoPro > Vidéos égocentriques annotées pour la robotique, série Ego de Lightwheel. - Identifiant Hugging Face : `LightwheelAI/EgoPro` — https://huggingface.co/datasets/LightwheelAI/EgoPro - Type : Dataset - Éditeur : Lightwheel - Compte Hugging Face : LightwheelAI - Tâche : Vidéo égocentrique - Taille : 34,5 k - Licence : commercial-training-no-resale-v1.0 - Langues déclarées : anglais - Volumétrie : 10K Petit frère de MiniCPM-V 4.7 pour mobile et CPU (fiche non lue : la page n'a pas répondu ce matin). - Identifiant Hugging Face : `openbmb/MiniCPM-V-4.7-1B` — https://huggingface.co/openbmb/MiniCPM-V-4.7-1B - Type : Modèle - Éditeur : OpenBMB - Compte Hugging Face : openbmb - Tâche : Vision-langage - Paramètres : 1,6 B - Licence : apache-2.0 - Formats : safetensors - Bibliothèque : transformers - Accès aux poids : libre - Créé le : 2026-10-06 - Mis à jour le : 2026-10-14 - Likes : 323 - Téléchargements (30 j) : 2543 - Score Radar : 48/100 · pertinent IA pratique : oui - Domaines : LLM en local - Faits vérifiés sur l'API Hugging Face le 14/10/2026 **Pourquoi ça compte.** Un VLM de 1 B pour le tri d'images ou de scans sans GPU. --- # iris-3b > Générateur texte-image 3 B qui produit les pixels directement, sans VAE ni espace latent ; même base affinée pour l'estimation de profondeur et la restauration/upscaling ×4. Encodeur texte Qwen3-VL-4B gelé, ~12 Go de poids. - Identifiant Hugging Face : `speridlabs/iris-3b` — https://huggingface.co/speridlabs/iris-3b - Type : Modèle - Éditeur : speridlabs - Compte Hugging Face : speridlabs - Tâche : Texte vers image - Paramètres : 3 B - Licence : apache-2.0 - Formats : safetensors - Bibliothèque : pytorch - Accès aux poids : libre - Créé le : 2026-10-05 - Mis à jour le : 2026-10-12 - Likes : 253 - Téléchargements (30 j) : 1132 - arXiv : 2503.06674, 2610.09450 - Score Radar : 48/100 · pertinent IA pratique : non - Domaines : Image & vidéo - Faits vérifiés sur l'API Hugging Face le 14/10/2026 **Pourquoi ça compte.** Architecture sans VAE, rare chez les générateurs d'images --- # multi-harness-rl > Guide et outillage pour entraîner des modèles ouverts par apprentissage par renforcement à l'intérieur de vrais harnais d'agents. - Identifiant Hugging Face : `FineEnvs/multi-harness-rl` — https://huggingface.co/spaces/FineEnvs/multi-harness-rl - Type : Space - Éditeur : FineEnvs - Compte Hugging Face : FineEnvs - Tâche : Guide RL agents - Taille : n.c. - Licence : non déclarée - Accès aux poids : libre - Créé le : 2026-08-31 - Mis à jour le : 2026-10-05 - Likes : 250 - Téléchargements : 0 - Score Radar : 46/100 · pertinent IA pratique : oui - Domaines : Agents & outils - Faits vérifiés sur l'API Hugging Face le 14/10/2026 **Pourquoi ça compte.** Former ses propres agents outillés devient documenté --- # lunara-art-eval > Jeu d'évaluation esthétique d'images générées (8 k lignes). - Identifiant Hugging Face : `moonworks/lunara-art-eval` — https://huggingface.co/datasets/moonworks/lunara-art-eval - Type : Dataset - Éditeur : Moonworks AI - Compte Hugging Face : moonworks - Tâche : Évaluation image - Taille : n.c. - Licence : apache-2.0 - Volumétrie : 1K Démo Gradio de LightOnOCR-3 : déposer un PDF ou une image, récupérer le markdown et les boîtes. - Identifiant Hugging Face : `lightonai/LightOnOCR-3-Demo` — https://huggingface.co/spaces/lightonai/LightOnOCR-3-Demo - Type : Space - Éditeur : LightOn AI - Compte Hugging Face : lightonai - Tâche : Démo OCR - Taille : n.c. - Licence : apache-2.0 - Accès aux poids : libre - Créé le : 2026-10-08 - Mis à jour le : 2026-10-08 - Likes : 46 - Score Radar : 45/100 · pertinent IA pratique : oui - Domaines : Documents & OCR - Faits vérifiés sur l'API Hugging Face le 14/10/2026 **Pourquoi ça compte.** Tester l'OCR de LightOn sans rien installer. --- # EgoStandard > Vidéos égocentriques annotées pour la robotique, série Ego de Lightwheel. - Identifiant Hugging Face : `LightwheelAI/EgoStandard` — https://huggingface.co/datasets/LightwheelAI/EgoStandard - Type : Dataset - Éditeur : Lightwheel - Compte Hugging Face : LightwheelAI - Tâche : Vidéo égocentrique - Taille : 2,4 k - Licence : commercial-training-no-resale-v1.0 - Langues déclarées : anglais - Volumétrie : 10K Arcade de démonstration des modèles de décision « System 1 » de Liquid AI (d1) sur des mini-jeux et des tâches de routage. - Identifiant Hugging Face : `LiquidAI/system-one-arcade` — https://huggingface.co/spaces/LiquidAI/system-one-arcade - Type : Space - Éditeur : Liquid AI - Compte Hugging Face : LiquidAI - Tâche : Démo décision - Taille : n.c. - Licence : non déclarée - Accès aux poids : libre - Créé le : 2026-10-07 - Mis à jour le : 2026-10-09 - Likes : 37 - Score Radar : 44/100 · pertinent IA pratique : oui - Domaines : Agents & outils - Faits vérifiés sur l'API Hugging Face le 14/10/2026 **Pourquoi ça compte.** Voir ce qu'un modèle de décision sait faire en quelques clics. --- # MiniMax-H3-Turbo-Lora > N°1 des Spaces : vidéo + bande-son synchronisée à partir d'un prompt. - Identifiant Hugging Face : `Pepe104/MiniMax-H3-Turbo-Lora-UNCENSORED` — https://huggingface.co/spaces/Pepe104/MiniMax-H3-Turbo-Lora-UNCENSORED - Type : Space - Éditeur : Pepe104 - Compte Hugging Face : Pepe104 - Tâche : Vidéo - Taille : n.c. - Licence : non déclarée - Accès aux poids : libre - Créé le : 2026-08-14 - Mis à jour le : 2026-08-16 - Likes : 1541 - Téléchargements : 0 - Score Radar : 44/100 · pertinent IA pratique : non - Domaines : Image & vidéo - Faits vérifiés sur l'API Hugging Face le 14/10/2026 **Pourquoi ça compte.** N°1 des Spaces --- # JEV-27B Live Demo > Démo interactive de JEV-27B jouant à Mario, au Rubik's Cube et à Tetris. - Identifiant Hugging Face : `autotrust/JEV-27B-Demo` — https://huggingface.co/spaces/autotrust/JEV-27B-Demo - Type : Space - Éditeur : AutoTrust AI Lab - Compte Hugging Face : autotrust - Tâche : Démo modèle de décision - Taille : n.c. - Licence : non déclarée - Accès aux poids : libre - Créé le : 2026-09-26 - Mis à jour le : 2026-09-30 - Likes : 105 - Téléchargements : 0 - Score Radar : 43/100 · pertinent IA pratique : oui - Domaines : Agents & outils - Faits vérifiés sur l'API Hugging Face le 14/10/2026 **Pourquoi ça compte.** Montre un modèle de décision en situation. --- # jev-9b-decision-demo > Texte + 4 questions typées avec score de confiance, raisonnement « System 2 » en option. - Identifiant Hugging Face : `autotrust/jev-9b-decision-demo` — https://huggingface.co/spaces/autotrust/jev-9b-decision-demo - Type : Space - Éditeur : AutoTrust AI Lab - Compte Hugging Face : autotrust - Tâche : Démo décision - Taille : n.c. - Licence : non déclarée - Accès aux poids : libre - Créé le : 2026-09-26 - Mis à jour le : 2026-09-26 - Likes : 110 - Téléchargements : 0 - Score Radar : 42/100 · pertinent IA pratique : oui - Domaines : Agents & outils - Faits vérifiés sur l'API Hugging Face le 14/10/2026 **Pourquoi ça compte.** Démo de décision typée 9 B --- # embeddinggemma-2-webgpu > Recherche de médias similaires par embeddings calculés dans le navigateur (WebGPU) avec EmbeddingGemma 2, sans serveur. - Identifiant Hugging Face : `webml-community/embeddinggemma-2-webgpu` — https://huggingface.co/spaces/webml-community/embeddinggemma-2-webgpu - Type : Space - Éditeur : WebML Community - Compte Hugging Face : webml-community - Tâche : Recherche sémantique locale - Taille : n.c. - Licence : non déclarée - Accès aux poids : libre - Créé le : 2026-10-06 - Mis à jour le : 2026-10-06 - Likes : 55 - Téléchargements : 0 - Score Radar : 40/100 · pertinent IA pratique : oui - Domaines : LLM en local, Français & multilingue - Faits vérifiés sur l'API Hugging Face le 14/10/2026 **Pourquoi ça compte.** Démo concrète d'embeddings 100 % locaux --- # jabarti-llm-dataset > Corpus arabe-anglais de 7,5 millions de lignes pour l'entraînement de LLM. - Identifiant Hugging Face : `bakrianoo/jabarti-llm-dataset` — https://huggingface.co/datasets/bakrianoo/jabarti-llm-dataset - Type : Dataset - Éditeur : bakrianoo - Compte Hugging Face : bakrianoo - Tâche : Corpus LLM - Taille : 7,5 M lignes - Licence : cc-by-sa-4.0 - Langues déclarées : arabe, anglais - Accès aux poids : libre - Créé le : 2026-08-04 - Mis à jour le : 2026-09-23 - Likes : 82 - Téléchargements (30 j) : 2095 - Score Radar : 39/100 · pertinent IA pratique : non - Domaines : Données & benchmarks, Français & multilingue - Faits vérifiés sur l'API Hugging Face le 14/10/2026 **Pourquoi ça compte.** Corpus bilingue de grande taille. --- # minimax-h3-character-swap-lora > Remplacement de personnage dans un clip (MiniMax-H3). - Identifiant Hugging Face : `hugging-apps/minimax-h3-character-swap-lora` — https://huggingface.co/spaces/hugging-apps/minimax-h3-character-swap-lora - Type : Space - Éditeur : Hugging Apps - Compte Hugging Face : hugging-apps - Tâche : Vidéo - Taille : n.c. - Licence : non déclarée - Accès aux poids : libre - Créé le : 2026-09-25 - Mis à jour le : 2026-09-29 - Likes : 114 - Score Radar : 39/100 · pertinent IA pratique : non - Domaines : Image & vidéo - Faits vérifiés sur l'API Hugging Face le 14/10/2026 **Pourquoi ça compte.** Édition vidéo en un clic. --- # paradee > TTS anglais de 8 M de paramètres distillé de Kokoro-82M : 24 kHz, phonèmes affichés, tourne sur CPU. - Identifiant Hugging Face : `sahilmahendrakar/paradee` — https://huggingface.co/spaces/sahilmahendrakar/paradee - Type : Space - Éditeur : sahilmahendrakar - Compte Hugging Face : sahilmahendrakar - Tâche : Synthèse vocale - Taille : 8 M - Licence : apache-2.0 - Accès aux poids : libre - Créé le : 2026-10-07 - Mis à jour le : 2026-10-07 - Likes : 40 - Score Radar : 39/100 · pertinent IA pratique : oui - Domaines : Voix & audio, LLM en local - Faits vérifiés sur l'API Hugging Face le 14/10/2026 **Pourquoi ça compte.** Preuve qu'une voix de synthèse tient dans 8 M. --- # precinct6-cybersecurity > Données tabulaires de cybersécurité (classification, graphes). - Identifiant Hugging Face : `witfoo/precinct6-cybersecurity` — https://huggingface.co/datasets/witfoo/precinct6-cybersecurity - Type : Dataset - Éditeur : WitFoo - Compte Hugging Face : witfoo - Tâche : Cybersécurité - Taille : 3,3 k - Licence : apache-2.0 - Langues déclarées : anglais - Volumétrie : 1M Démo ZeroGPU de Qwen-Image-2.1 non censuré en GGUF. - Identifiant Hugging Face : `arudradey/qwen-image-2.1-uncensored-gguf` — https://huggingface.co/spaces/arudradey/qwen-image-2.1-uncensored-gguf - Type : Space - Éditeur : arudradey - Compte Hugging Face : arudradey - Tâche : Démo texte vers image - Taille : n.c. - Licence : non déclarée - Accès aux poids : libre - Créé le : 2026-09-22 - Mis à jour le : 2026-09-26 - Likes : 416 - Téléchargements : 0 - Score Radar : 38/100 · pertinent IA pratique : non - Domaines : Image & vidéo - Faits vérifiés sur l'API Hugging Face le 14/10/2026 **Pourquoi ça compte.** Hors périmètre. --- # Viggle Turbo for Qwen-Image-2.1 > Qwen-Image-2.1 en 6 étapes (génération et édition), comparé au modèle de base. - Identifiant Hugging Face : `Viggle/Qwen-Image-2.1-viggle-turbo` — https://huggingface.co/spaces/Viggle/Qwen-Image-2.1-viggle-turbo - Type : Space - Éditeur : Viggle AI - Compte Hugging Face : Viggle - Tâche : Démo texte vers image - Taille : n.c. - Licence : qwen-research - Accès aux poids : libre - Créé le : 2026-09-22 - Mis à jour le : 2026-10-01 - Likes : 303 - Téléchargements : 0 - Score Radar : 37/100 · pertinent IA pratique : non - Domaines : Image & vidéo - Faits vérifiés sur l'API Hugging Face le 14/10/2026 **Pourquoi ça compte.** Hors périmètre. --- # ai-village > Journaux de l'expérience AI Village, où des agents LLM autonomes collaborent sur de longues durées. - Identifiant Hugging Face : `aidigestorg/ai-village` — https://huggingface.co/datasets/aidigestorg/ai-village - Type : Dataset - Éditeur : AI Digest - Compte Hugging Face : aidigestorg - Tâche : Journaux d'agents - Taille : 2,1 k - Licence : ai-village-research-terms - Langues déclarées : anglais - Volumétrie : 1M Démo de Qwen-Image-2.1 non censuré avec LoRA tout-en-un. - Identifiant Hugging Face : `arudradey/qwen-image-2.1-uncensored-aio-loras` — https://huggingface.co/spaces/arudradey/qwen-image-2.1-uncensored-aio-loras - Type : Space - Éditeur : arudradey - Compte Hugging Face : arudradey - Tâche : Démo texte vers image - Taille : n.c. - Licence : non déclarée - Accès aux poids : libre - Créé le : 2026-09-26 - Mis à jour le : 2026-09-26 - Likes : 286 - Téléchargements : 0 - Score Radar : 37/100 · pertinent IA pratique : non - Domaines : Image & vidéo - Faits vérifiés sur l'API Hugging Face le 14/10/2026 **Pourquoi ça compte.** Hors périmètre. --- # BFS Best Face Swap > Échange de visage avec le LoRA BFS sur Qwen-Image-2.1. - Identifiant Hugging Face : `hugging-apps/bfs-best-face-swap` — https://huggingface.co/spaces/hugging-apps/bfs-best-face-swap - Type : Space - Éditeur : Hugging Apps - Compte Hugging Face : hugging-apps - Tâche : Démo édition d'image - Taille : n.c. - Licence : non déclarée - Accès aux poids : libre - Créé le : 2026-09-27 - Mis à jour le : 2026-09-28 - Likes : 236 - Téléchargements : 0 - Score Radar : 36/100 · pertinent IA pratique : non - Domaines : Image & vidéo - Faits vérifiés sur l'API Hugging Face le 14/10/2026 **Pourquoi ça compte.** Hors périmètre. --- # Wan2.2 14B Fast > Génération rapide de vidéo à partir d'une image avec Wan 2.2 14B (ZeroGPU). - Identifiant Hugging Face : `zerogpu-aoti/wan2-2-fp8da-aoti-faster` — https://huggingface.co/spaces/zerogpu-aoti/wan2-2-fp8da-aoti-faster - Type : Space - Éditeur : ZeroGPU AoTI - Compte Hugging Face : zerogpu-aoti - Tâche : Démo image vers vidéo - Taille : n.c. - Licence : non déclarée - Accès aux poids : libre - Créé le : 2025-07-30 - Mis à jour le : 2026-08-25 - Likes : 3740 - Téléchargements : 0 - Score Radar : 36/100 · pertinent IA pratique : non - Domaines : Image & vidéo - Faits vérifiés sur l'API Hugging Face le 14/10/2026 **Pourquoi ça compte.** Hors périmètre. --- # Omni-Image-Editor > Éditeur d'images tout-en-un (génération, upscaling, suppression de filigrane). - Identifiant Hugging Face : `selfit-camera/Omni-Image-Editor` — https://huggingface.co/spaces/selfit-camera/Omni-Image-Editor - Type : Space - Éditeur : selfit-camera - Compte Hugging Face : selfit-camera - Tâche : Édition d'images - Taille : n.c. - Licence : mit - Accès aux poids : libre - Créé le : 2025-12-13 - Mis à jour le : 2026-10-04 - Likes : 2802 - Score Radar : 35/100 · pertinent IA pratique : non - Domaines : Image & vidéo - Faits vérifiés sur l'API Hugging Face le 14/10/2026 **Pourquoi ça compte.** 2,8 k likes. --- # Qwen-Image-Edit-2511-LoRAs-Fast > Édition d'images Qwen avec LoRA de pose (AnyPose). - Identifiant Hugging Face : `kulkas2pintu/QWEN_EDIT_IMAGE` — https://huggingface.co/spaces/kulkas2pintu/QWEN_EDIT_IMAGE - Type : Space - Éditeur : kulkas2pintu - Compte Hugging Face : kulkas2pintu - Tâche : Démo édition d'image - Taille : n.c. - Licence : apache-2.0 - Accès aux poids : libre - Créé le : 2026-07-29 - Mis à jour le : 2026-09-25 - Likes : 694 - Téléchargements : 0 - Score Radar : 34/100 · pertinent IA pratique : non - Domaines : Image & vidéo - Faits vérifiés sur l'API Hugging Face le 14/10/2026 **Pourquoi ça compte.** Hors périmètre. --- # KV Image to Clip > Image vers clip avec Wan 2.2 et adaptateurs KV. - Identifiant Hugging Face : `kulkas2pintu/kv-i2v` — https://huggingface.co/spaces/kulkas2pintu/kv-i2v - Type : Space - Éditeur : kulkas2pintu - Compte Hugging Face : kulkas2pintu - Tâche : Démo image vers vidéo - Taille : n.c. - Licence : non déclarée - Accès aux poids : libre - Créé le : 2026-09-18 - Mis à jour le : 2026-10-05 - Likes : 151 - Téléchargements : 0 - Score Radar : 34/100 · pertinent IA pratique : non - Domaines : Image & vidéo - Faits vérifiés sur l'API Hugging Face le 14/10/2026 **Pourquoi ça compte.** Hors périmètre. --- # ChessFly > Un cerveau de drosophile simulé qui joue aux échecs (démo statique). - Identifiant Hugging Face : `mlabonne/chessfly` — https://huggingface.co/spaces/mlabonne/chessfly - Type : Space - Éditeur : mlabonne - Compte Hugging Face : mlabonne - Tâche : Démo - Taille : n.c. - Licence : gpl-3.0 - Accès aux poids : libre - Créé le : 2026-09-17 - Mis à jour le : 2026-09-17 - Likes : 147 - Téléchargements : 0 - Score Radar : 34/100 · pertinent IA pratique : non - Domaines : Tendances & récap - Faits vérifiés sur l'API Hugging Face le 14/10/2026 **Pourquoi ça compte.** Curiosité très partagée. --- # Qwen 2511 + Flux.2 klein 9B > Space Gradio (ZeroGPU) qui édite une ou deux images avec Qwen-Image-Edit-2511 puis les améliore avec FLUX.2 klein 9B. - Identifiant Hugging Face : `AST-1320/Qwen-2511-Plus-Flux.2-klein-9B` — https://huggingface.co/spaces/AST-1320/Qwen-2511-Plus-Flux.2-klein-9B - Type : Space - Éditeur : AST-1320 - Compte Hugging Face : AST-1320 - Tâche : Édition d'image - Taille : n.c. - Licence : apache-2.0 - Accès aux poids : libre - Créé le : 2026-09-19 - Mis à jour le : 2026-10-12 - Likes : 85 - Téléchargements : 0 - Score Radar : 32/100 · pertinent IA pratique : non - Domaines : Image & vidéo - Faits vérifiés sur l'API Hugging Face le 14/10/2026 **Pourquoi ça compte.** Chaîne d'édition d'image en deux étapes, hors périmètre documentaire. --- # Krea 2 Turbo Image Generator > Space Gradio (ZeroGPU) de génération et d'édition d'images avec les modèles Krea 2 et des LoRA de style optionnelles. - Identifiant Hugging Face : `Aura1in/Krea-2-Turbo_v2` — https://huggingface.co/spaces/Aura1in/Krea-2-Turbo_v2 - Type : Space - Éditeur : Aura1in - Compte Hugging Face : Aura1in - Tâche : Génération d'image - Taille : n.c. - Licence : other - Accès aux poids : libre - Créé le : 2026-10-05 - Mis à jour le : 2026-09-14 - Likes : 95 - Téléchargements : 0 - Score Radar : 32/100 · pertinent IA pratique : non - Domaines : Image & vidéo - Faits vérifiés sur l'API Hugging Face le 14/10/2026 **Pourquoi ça compte.** Démo image grand public, sans lien avec les sujets suivis. --- # LTX 2.3 10Eros Image-to-Video > Image vers vidéo avec LTX 2.3 et audio natif. - Identifiant Hugging Face : `00000tt/LTX-2.3-10Eros` — https://huggingface.co/spaces/00000tt/LTX-2.3-10Eros - Type : Space - Éditeur : 00000tt - Compte Hugging Face : 00000tt - Tâche : Démo image vers vidéo - Taille : n.c. - Licence : non déclarée - Accès aux poids : libre - Créé le : 2026-07-31 - Mis à jour le : 2026-08-17 - Likes : 228 - Téléchargements : 0 - Score Radar : 30/100 · pertinent IA pratique : non - Domaines : Image & vidéo - Faits vérifiés sur l'API Hugging Face le 14/10/2026 **Pourquoi ça compte.** Hors périmètre. --- # model-pulse > Historique et tendances de téléchargement des modèles Hugging Face, avec courbes par modèle. - Identifiant Hugging Face : `tardellirs/model-pulse` — https://huggingface.co/spaces/tardellirs/model-pulse - Type : Space - Éditeur : tardellirs - Compte Hugging Face : tardellirs - Tâche : Statistiques Hugging Face - Taille : n.c. - Licence : apache-2.0 - Accès aux poids : libre - Créé le : 2026-10-03 - Mis à jour le : 2026-10-14 - Likes : 212 - Téléchargements : 0 - Score Radar : 30/100 · pertinent IA pratique : non - Domaines : Tendances & récap - Faits vérifiés sur l'API Hugging Face le 14/10/2026 **Pourquoi ça compte.** Outil pratique pour suivre les dynamiques du Hub --- # Omni Video Factory > Texte vers vidéo, image vers vidéo et extension de vidéo. - Identifiant Hugging Face : `vamo455/Omni-videos-custom-auto_prompt_high-quality` — https://huggingface.co/spaces/vamo455/Omni-videos-custom-auto_prompt_high-quality - Type : Space - Éditeur : vamo455 - Compte Hugging Face : vamo455 - Tâche : Démo génération vidéo - Taille : n.c. - Licence : mit - Accès aux poids : libre - Créé le : 2026-09-08 - Mis à jour le : 2026-08-30 - Likes : 239 - Téléchargements : 0 - Score Radar : 30/100 · pertinent IA pratique : non - Domaines : Image & vidéo - Faits vérifiés sur l'API Hugging Face le 14/10/2026 **Pourquoi ça compte.** Hors périmètre. --- # Qwen Image 2.1 Uncensored > Space Gradio (ZeroGPU) de génération et d'édition d'images sans filtre, bâti sur Qwen-Image-2.1 et sa variante GGUF. - Identifiant Hugging Face : `vclnhihihi/qwen-image-21-uncensored` — https://huggingface.co/spaces/vclnhihihi/qwen-image-21-uncensored - Type : Space - Éditeur : vclnhihihi - Compte Hugging Face : vclnhihihi - Tâche : Génération d'image - Taille : n.c. - Licence : qwen-research - Accès aux poids : libre - Créé le : 2026-09-29 - Mis à jour le : 2026-09-29 - Likes : 58 - Téléchargements : 0 - Score Radar : 30/100 · pertinent IA pratique : non - Domaines : Image & vidéo - Faits vérifiés sur l'API Hugging Face le 14/10/2026 **Pourquoi ça compte.** Énième dérivé non filtré de Qwen-Image-2.1, hors périmètre. --- # QIE-2511 Rapid-AIO LoRAs Fast > Démo expérimentale de LoRA d'édition d'images Qwen Image Edit. - Identifiant Hugging Face : `aet256/Qwen-Image-Edit-Rapid-AIO-Loras-Experimental` — https://huggingface.co/spaces/aet256/Qwen-Image-Edit-Rapid-AIO-Loras-Experimental - Type : Space - Éditeur : aet256 - Compte Hugging Face : aet256 - Tâche : Démo édition d'image - Taille : n.c. - Licence : apache-2.0 - Accès aux poids : libre - Créé le : 2026-02-27 - Mis à jour le : 2026-09-25 - Likes : 450 - Téléchargements : 0 - Score Radar : 28/100 · pertinent IA pratique : non - Domaines : Image & vidéo - Faits vérifiés sur l'API Hugging Face le 14/10/2026 **Pourquoi ça compte.** Hors périmètre. --- # Wan2.2 14B Preview > Génération de vidéo à partir d'une image et d'un texte avec Wan 2.2 14B. - Identifiant Hugging Face : `kulkas2pintu/wan777` — https://huggingface.co/spaces/kulkas2pintu/wan777 - Type : Space - Éditeur : kulkas2pintu - Compte Hugging Face : kulkas2pintu - Tâche : Démo image vers vidéo - Taille : n.c. - Licence : non déclarée - Accès aux poids : libre - Créé le : 2026-07-15 - Mis à jour le : 2026-08-23 - Likes : 521 - Téléchargements : 0 - Score Radar : 28/100 · pertinent IA pratique : non - Domaines : Image & vidéo - Faits vérifiés sur l'API Hugging Face le 14/10/2026 **Pourquoi ça compte.** Hors périmètre. --- # Modèles IA open source en français (octobre 2026) Éléments dont les auteurs déclarent le français sur Hugging Face. - [LTX-2.5](https://clauzelfamille-dot.github.io/radar-ia/modeles/lightricks__ltx-2.5.html) — taille n.c., licence ltx-2.x-community-license-agreement, score 71 - [d1-3B](https://clauzelfamille-dot.github.io/radar-ia/modeles/liquidai__d1-3b.html) — 3,1 B, licence lfm1.0, score 71 - [whistle](https://clauzelfamille-dot.github.io/radar-ia/modeles/cactus-compute__whistle.html) — 17 Mo, licence apache-2.0, score 66 - [d1-omni-600M](https://clauzelfamille-dot.github.io/radar-ia/modeles/liquidai__d1-omni-600m.html) — 587 M, licence lfm1.0, score 66 - [parakeet-redux](https://clauzelfamille-dot.github.io/radar-ia/modeles/moondream__parakeet-redux.html) — 149 M, licence cc-by-4.0, score 64 - [wikipedia](https://clauzelfamille-dot.github.io/radar-ia/modeles/wikimedia__wikipedia.html) — 61,6 M lignes, licence cc-by-sa-3.0, score 61 - [d1-3B-GGUF](https://clauzelfamille-dot.github.io/radar-ia/modeles/liquidai__d1-3b-gguf.html) — 2,7 B, licence lfm1.0, score 58 --- # Licences des modèles IA open source suivis (octobre 2026) ## apache-2.0 Licence permissive : usage, modification et redistribution autorisés, y compris commercialement, en conservant la licence et les mentions ; elle comprend une licence sur les brevets des contributeurs. - [JEV-27B-VL](https://clauzelfamille-dot.github.io/radar-ia/modeles/autotrust__jev-27b-vl.html) - [Ternary-Bonsai-2-27B-gguf](https://clauzelfamille-dot.github.io/radar-ia/modeles/prism-ml__ternary-bonsai-2-27b-gguf.html) - [Qwen3.8-27B-GGUF](https://clauzelfamille-dot.github.io/radar-ia/modeles/unsloth__qwen3.8-27b-gguf.html) - [laya](https://clauzelfamille-dot.github.io/radar-ia/modeles/convaiinnovations__laya.html) - [MiniCPM5-2B](https://clauzelfamille-dot.github.io/radar-ia/modeles/openbmb__minicpm5-2b.html) - [Edge0-35B-A3B-preview](https://clauzelfamille-dot.github.io/radar-ia/modeles/edge0__edge0-35b-a3b-preview.html) - [Underdog-Saluki-27B-1.0](https://clauzelfamille-dot.github.io/radar-ia/modeles/conwayresearch__underdog-saluki-27b-1.0.html) - [Qwen3.8-27B](https://clauzelfamille-dot.github.io/radar-ia/modeles/qwen__qwen3.8-27b.html) - [embeddinggemma-2](https://clauzelfamille-dot.github.io/radar-ia/modeles/google__embeddinggemma-2.html) - [Qwen3.8-27B-TURBO-Fable-Cold-Fusion-735-882-Heretic-Uncensored-NEO-CODER-MAX-MTP-GGUF](https://clauzelfamille-dot.github.io/radar-ia/modeles/davidau__qwen3.8-27b-turbo-fable-cold-fusion-735-882-heretic-uncensored-neo-coder-max-mtp-gguf.html) - [Audio8-ASR-Infinite](https://clauzelfamille-dot.github.io/radar-ia/modeles/edge0__audio8-asr-infinite.html) - [Qwen3.8-27B-GSQ-RCO-GGUF](https://clauzelfamille-dot.github.io/radar-ia/modeles/ista-daslab__qwen3.8-27b-gsq-rco-gguf.html) - [Xing4.0-29B-A4B](https://clauzelfamille-dot.github.io/radar-ia/modeles/xingchen-agi__xing4.0-29b-a4b.html) - [Huihui-Qwen3.8-27B-abliterated-GGUF](https://clauzelfamille-dot.github.io/radar-ia/modeles/huihui-ai__huihui-qwen3.8-27b-abliterated-gguf.html) - [Qwen3.8-27B-Coder390-EfficientThink-Opus5.5-GPT6Astra-Grok4.7-DSV4Pro-K3-SFT-RLOO-MTP-DFlash2](https://clauzelfamille-dot.github.io/radar-ia/modeles/nerkyor__qwen3.8-27b-coder390-efficientthink-opus5.5-gpt6astra-grok4.7-dsv4pro-k3-sft-rloo-mtp-dflash2.html) - [embeddinggemma-2-GGUF](https://clauzelfamille-dot.github.io/radar-ia/modeles/unsloth__embeddinggemma-2-gguf.html) - [clef](https://clauzelfamille-dot.github.io/radar-ia/modeles/cloudflare__clef.html) - [Qwen3.8-Flash-Next-GSQ-RCO-Coder-GGUF](https://clauzelfamille-dot.github.io/radar-ia/modeles/ista-daslab__qwen3.8-flash-next-gsq-rco-coder-gguf.html) - [Xing4.0-29B-A4B-GGUF](https://clauzelfamille-dot.github.io/radar-ia/modeles/venastine-research__xing4.0-29b-a4b-gguf.html) - [clef-flash](https://clauzelfamille-dot.github.io/radar-ia/modeles/cloudflare__clef-flash.html) - [Qwen3.8-Flash-Next-GSQ-RCO-GGUF](https://clauzelfamille-dot.github.io/radar-ia/modeles/ista-daslab__qwen3.8-flash-next-gsq-rco-gguf.html) - [typed-decisions](https://clauzelfamille-dot.github.io/radar-ia/modeles/localllama__typed-decisions.html) - [Qwen3.8-Flash-Next-Uncensored-GGUF](https://clauzelfamille-dot.github.io/radar-ia/modeles/orcarouter__qwen3.8-flash-next-uncensored-gguf.html) - [Fable-5.1-Max-Reasoning-Filtered-10000x](https://clauzelfamille-dot.github.io/radar-ia/modeles/morethought__fable-5.1-max-reasoning-filtered-10000x.html) - [GLiNER2.5-Decide](https://clauzelfamille-dot.github.io/radar-ia/modeles/fastino__gliner2.5-decide.html) - [JEV-35B](https://clauzelfamille-dot.github.io/radar-ia/modeles/autotrust__jev-35b.html) - [OrcaSAQ-2-Cyber-27B-Uncensored-GGUF](https://clauzelfamille-dot.github.io/radar-ia/modeles/orcarouter__orcasaq-2-cyber-27b-uncensored-gguf.html) - [TeleOCR](https://clauzelfamille-dot.github.io/radar-ia/modeles/xingchen-agi__teleocr.html) - [MiniCPM-V-4.7-35B-A3B](https://clauzelfamille-dot.github.io/radar-ia/modeles/openbmb__minicpm-v-4.7-35b-a3b.html) - [Qwen-Image-2.1-Turbo-Uncensored-GGUF](https://clauzelfamille-dot.github.io/radar-ia/modeles/atomicchat__qwen-image-2.1-turbo-uncensored-gguf.html) - [whistle](https://clauzelfamille-dot.github.io/radar-ia/modeles/cactus-compute__whistle.html) - [CLM-v0.1-8B](https://clauzelfamille-dot.github.io/radar-ia/modeles/contrastive-lm__clm-v0.1-8b.html) - [Mellum2.1-12B-A2.5B-Thinking-GGUF](https://clauzelfamille-dot.github.io/radar-ia/modeles/jetbrains__mellum2.1-12b-a2.5b-thinking-gguf.html) - [pplx-decider-v1.1-27b](https://clauzelfamille-dot.github.io/radar-ia/modeles/perplexity-ai__pplx-decider-v1.1-27b.html) - [ema-lightning](https://clauzelfamille-dot.github.io/radar-ia/modeles/canberkkkkkk__ema-lightning.html) - [humanizer](https://clauzelfamille-dot.github.io/radar-ia/modeles/jialinyyzz__humanizer.html) - [OrcaSAQ-2-27B](https://clauzelfamille-dot.github.io/radar-ia/modeles/orcarouter__orcasaq-2-27b.html) - [Mellum2.1-12B-A2.5B-Thinking](https://clauzelfamille-dot.github.io/radar-ia/modeles/jetbrains__mellum2.1-12b-a2.5b-thinking.html) - [LightOnOCR-3-0.8B](https://clauzelfamille-dot.github.io/radar-ia/modeles/lightonai__lightonocr-3-0.8b.html) - [UltraData-SFT-Agent-2609](https://clauzelfamille-dot.github.io/radar-ia/modeles/openbmb__ultradata-sft-agent-2609.html) - [d3](https://clauzelfamille-dot.github.io/radar-ia/modeles/vllm-sr__d3.html) - [Kolibri-1](https://clauzelfamille-dot.github.io/radar-ia/modeles/aleph-alpha__kolibri-1.html) - [clef-omni](https://clauzelfamille-dot.github.io/radar-ia/modeles/cloudflare__clef-omni.html) - [GLiNER2.5-multi-Decide](https://clauzelfamille-dot.github.io/radar-ia/modeles/fastino__gliner2.5-multi-decide.html) - [MiMo-V2.6-RL-oss](https://clauzelfamille-dot.github.io/radar-ia/modeles/xiaomimimo__mimo-v2.6-rl-oss.html) - [LightOnOCR-3-4B](https://clauzelfamille-dot.github.io/radar-ia/modeles/lightonai__lightonocr-3-4b.html) - [H2O-Lightning-4B](https://clauzelfamille-dot.github.io/radar-ia/modeles/h2oai__h2o-lightning-4b.html) - [NeuDecide](https://clauzelfamille-dot.github.io/radar-ia/modeles/neuphonic__neudecide.html) - [opus5-5-doctor-patient-conversations](https://clauzelfamille-dot.github.io/radar-ia/modeles/nisten__opus5-5-doctor-patient-conversations-all-human-diseases.html) - [openai-math](https://clauzelfamille-dot.github.io/radar-ia/modeles/fineenvs__openai-math.html) - [MiniCPM-V-4.7-1B](https://clauzelfamille-dot.github.io/radar-ia/modeles/openbmb__minicpm-v-4.7-1b.html) - [iris-3b](https://clauzelfamille-dot.github.io/radar-ia/modeles/speridlabs__iris-3b.html) - [lunara-art-eval](https://clauzelfamille-dot.github.io/radar-ia/modeles/moonworks__lunara-art-eval.html) - [LightOnOCR-3-Demo](https://clauzelfamille-dot.github.io/radar-ia/modeles/lightonai__lightonocr-3-demo.html) - [paradee](https://clauzelfamille-dot.github.io/radar-ia/modeles/sahilmahendrakar__paradee.html) - [precinct6-cybersecurity](https://clauzelfamille-dot.github.io/radar-ia/modeles/witfoo__precinct6-cybersecurity.html) - [Qwen-Image-Edit-2511-LoRAs-Fast](https://clauzelfamille-dot.github.io/radar-ia/modeles/kulkas2pintu__qwen_edit_image.html) - [Qwen 2511 + Flux.2 klein 9B](https://clauzelfamille-dot.github.io/radar-ia/modeles/ast-1320__qwen-2511-plus-flux.2-klein-9b.html) - [model-pulse](https://clauzelfamille-dot.github.io/radar-ia/modeles/tardellirs__model-pulse.html) - [QIE-2511 Rapid-AIO LoRAs Fast](https://clauzelfamille-dot.github.io/radar-ia/modeles/aet256__qwen-image-edit-rapid-aio-loras-experimental.html) ## mit Licence permissive : usage, y compris commercial, modification et redistribution autorisés, à condition de conserver la mention de copyright et la licence. - [speaker-diarization-3.1](https://clauzelfamille-dot.github.io/radar-ia/modeles/pyannote__speaker-diarization-3.1.html) - [GLM-5.3-Flash](https://clauzelfamille-dot.github.io/radar-ia/modeles/zai-org__glm-5.3-flash.html) - [Unlimited-OCR](https://clauzelfamille-dot.github.io/radar-ia/modeles/baidu__unlimited-ocr.html) - [DeepSeek-V4.1-Flash](https://clauzelfamille-dot.github.io/radar-ia/modeles/deepseek-ai__deepseek-v4.1-flash.html) - [MiMo-V2.6-Pro-RL](https://clauzelfamille-dot.github.io/radar-ia/modeles/xiaomimimo__mimo-v2.6-pro-rl.html) - [DeskForge-1M](https://clauzelfamille-dot.github.io/radar-ia/modeles/docling-project__deskforge-1m.html) - [GLM5.3-Flash-E192-DGX-Spark](https://clauzelfamille-dot.github.io/radar-ia/modeles/autotrust__glm5.3-flash-e192-dgx-spark.html) - [Omni-Image-Editor](https://clauzelfamille-dot.github.io/radar-ia/modeles/selfit-camera__omni-image-editor.html) - [Omni Video Factory](https://clauzelfamille-dot.github.io/radar-ia/modeles/vamo455__omni-videos-custom-auto_prompt_high-quality.html) ## qwen-research Licence propre à l'éditeur : ses conditions (usage commercial, seuils d'utilisateurs, restrictions d'usage) sont à lire avant tout déploiement en entreprise. - [Qwen-Image-2.1-Uncensored-Quantized](https://clauzelfamille-dot.github.io/radar-ia/modeles/abenzerps__qwen-image-2.1-uncensored-gguf.html) - [Qwen-Image-2.1](https://clauzelfamille-dot.github.io/radar-ia/modeles/comfy-org__qwen-image-2.1.html) - [Qwen-Image-2.1](https://clauzelfamille-dot.github.io/radar-ia/modeles/qwen__qwen-image-2.1.html) - [Qwen-Image-2.1-Turbo](https://clauzelfamille-dot.github.io/radar-ia/modeles/qwen__qwen-image-2.1-turbo.html) - [Viggle Turbo for Qwen-Image-2.1](https://clauzelfamille-dot.github.io/radar-ia/modeles/viggle__qwen-image-2.1-viggle-turbo.html) - [Qwen Image 2.1 Uncensored](https://clauzelfamille-dot.github.io/radar-ia/modeles/vclnhihihi__qwen-image-21-uncensored.html) ## cc-by-4.0 Réutilisation libre, y compris commerciale, à condition de citer l'auteur et d'indiquer les modifications. - [speaker-diarization-community-1](https://clauzelfamille-dot.github.io/radar-ia/modeles/pyannote__speaker-diarization-community-1.html) - [parakeet-redux](https://clauzelfamille-dot.github.io/radar-ia/modeles/moondream__parakeet-redux.html) - [freeinference_agentic_trace](https://clauzelfamille-dot.github.io/radar-ia/modeles/harvardmadsys__freeinference_agentic_trace.html) ## cc-by-nc-4.0 Réutilisation libre avec citation de l'auteur, mais usage commercial interdit. - [Hemmingway-1](https://clauzelfamille-dot.github.io/radar-ia/modeles/altworld__hemmingway-1.html) - [YuE2-3B](https://clauzelfamille-dot.github.io/radar-ia/modeles/m-a-p__yue2-3b.html) - [tiktok-5.6B-videos](https://clauzelfamille-dot.github.io/radar-ia/modeles/datasocial__tiktok-5.6b-videos.html) ## commercial-training-no-resale-v1.0 Licence propre à l'éditeur : ses conditions (usage commercial, seuils d'utilisateurs, restrictions d'usage) sont à lire avant tout déploiement en entreprise. - [EgoDemo](https://clauzelfamille-dot.github.io/radar-ia/modeles/lightwheelai__egodemo.html) - [EgoPro](https://clauzelfamille-dot.github.io/radar-ia/modeles/lightwheelai__egopro.html) - [EgoStandard](https://clauzelfamille-dot.github.io/radar-ia/modeles/lightwheelai__egostandard.html) ## lfm1.0 Licence propre à l'éditeur : ses conditions (usage commercial, seuils d'utilisateurs, restrictions d'usage) sont à lire avant tout déploiement en entreprise. - [d1-3B](https://clauzelfamille-dot.github.io/radar-ia/modeles/liquidai__d1-3b.html) - [d1-omni-600M](https://clauzelfamille-dot.github.io/radar-ia/modeles/liquidai__d1-omni-600m.html) - [d1-3B-GGUF](https://clauzelfamille-dot.github.io/radar-ia/modeles/liquidai__d1-3b-gguf.html) ## minimax-h3-community-license-agreement Licence propre à l'éditeur : ses conditions (usage commercial, seuils d'utilisateurs, restrictions d'usage) sont à lire avant tout déploiement en entreprise. - [MiniMax-H3](https://clauzelfamille-dot.github.io/radar-ia/modeles/minimaxai__minimax-h3.html) - [MiniMax-H3](https://clauzelfamille-dot.github.io/radar-ia/modeles/comfy-org__minimax-h3.html) - [MiniMax-H3-Character-Swap-LoRA](https://clauzelfamille-dot.github.io/radar-ia/modeles/akatz-ai__minimax-h3-character-swap-lora.html) ## other Licence propre à l'éditeur : ses conditions (usage commercial, seuils d'utilisateurs, restrictions d'usage) sont à lire avant tout déploiement en entreprise. - [sam3](https://clauzelfamille-dot.github.io/radar-ia/modeles/facebook__sam3.html) - [imagenet-1k](https://clauzelfamille-dot.github.io/radar-ia/modeles/ilsvrc__imagenet-1k.html) - [Krea 2 Turbo Image Generator](https://clauzelfamille-dot.github.io/radar-ia/modeles/aura1in__krea-2-turbo_v2.html) ## cc-by-sa-4.0 Réutilisation libre, y compris commerciale, avec citation de l'auteur ; les œuvres dérivées doivent être partagées sous la même licence. - [Gen-HumanEgo](https://clauzelfamille-dot.github.io/radar-ia/modeles/genrobot2025__gen-humanego.html) - [jabarti-llm-dataset](https://clauzelfamille-dot.github.io/radar-ia/modeles/bakrianoo__jabarti-llm-dataset.html) ## swift-open-license-1.0 Licence propre à l'éditeur : ses conditions (usage commercial, seuils d'utilisateurs, restrictions d'usage) sont à lire avant tout déploiement en entreprise. - [Swift-Qwen3.8-27B-GGUF](https://clauzelfamille-dot.github.io/radar-ia/modeles/ukisai__swift-qwen3.8-27b-gguf.html) - [Swift-Qwen3.8-27b](https://clauzelfamille-dot.github.io/radar-ia/modeles/ukisai__swift-qwen3.8-27b.html) ## NVIDIA Open Model License Licence propre à l'éditeur : ses conditions (usage commercial, seuils d'utilisateurs, restrictions d'usage) sont à lire avant tout déploiement en entreprise. - [ZDTaichu5.0-9B](https://clauzelfamille-dot.github.io/radar-ia/modeles/taichuai__zdtaichu5.0-9b.html) ## ai-village-research-terms Licence propre à l'éditeur : ses conditions (usage commercial, seuils d'utilisateurs, restrictions d'usage) sont à lire avant tout déploiement en entreprise. - [ai-village](https://clauzelfamille-dot.github.io/radar-ia/modeles/aidigestorg__ai-village.html) ## cc-by-3.0 Licence propre à l'éditeur : ses conditions (usage commercial, seuils d'utilisateurs, restrictions d'usage) sont à lire avant tout déploiement en entreprise. - [yodas3](https://clauzelfamille-dot.github.io/radar-ia/modeles/espnet__yodas3.html) ## cc-by-4.0-and-cc-by-sa-4.0 Licence propre à l'éditeur : ses conditions (usage commercial, seuils d'utilisateurs, restrictions d'usage) sont à lire avant tout déploiement en entreprise. - [alania-synthetic-speech-tr](https://clauzelfamille-dot.github.io/radar-ia/modeles/cloud0day3__alania-synthetic-speech-tr.html) ## cc-by-sa-3.0 Licence propre à l'éditeur : ses conditions (usage commercial, seuils d'utilisateurs, restrictions d'usage) sont à lire avant tout déploiement en entreprise. - [wikipedia](https://clauzelfamille-dot.github.io/radar-ia/modeles/wikimedia__wikipedia.html) ## cc0-1.0 Licence propre à l'éditeur : ses conditions (usage commercial, seuils d'utilisateurs, restrictions d'usage) sont à lire avant tout déploiement en entreprise. - [Open-Jev](https://clauzelfamille-dot.github.io/radar-ia/modeles/zefancai__open-jev.html) ## dinov3-license Licence propre à l'éditeur : ses conditions (usage commercial, seuils d'utilisateurs, restrictions d'usage) sont à lire avant tout déploiement en entreprise. - [dinov3-vitl16-pretrain-lvd1689m](https://clauzelfamille-dot.github.io/radar-ia/modeles/facebook__dinov3-vitl16-pretrain-lvd1689m.html) ## gpl-3.0 Licence propre à l'éditeur : ses conditions (usage commercial, seuils d'utilisateurs, restrictions d'usage) sont à lire avant tout déploiement en entreprise. - [ChessFly](https://clauzelfamille-dot.github.io/radar-ia/modeles/mlabonne__chessfly.html) ## ltx-2.x-community-license-agreement Licence propre à l'éditeur : ses conditions (usage commercial, seuils d'utilisateurs, restrictions d'usage) sont à lire avant tout déploiement en entreprise. - [LTX-2.5](https://clauzelfamille-dot.github.io/radar-ia/modeles/lightricks__ltx-2.5.html) ## mixed-arxiv-author-licenses Licence propre à l'éditeur : ses conditions (usage commercial, seuils d'utilisateurs, restrictions d'usage) sont à lire avant tout déploiement en entreprise. - [arxiv-complete](https://clauzelfamille-dot.github.io/radar-ia/modeles/secemp9__arxiv-complete.html) ## openmdw-1.1 Licence propre à l'éditeur : ses conditions (usage commercial, seuils d'utilisateurs, restrictions d'usage) sont à lire avant tout déploiement en entreprise. - [Nemotron-3-Diarization](https://clauzelfamille-dot.github.io/radar-ia/modeles/nvidia__nemotron-3-diarization.html) ## qwen-community-1.0 Licence propre à l'éditeur : ses conditions (usage commercial, seuils d'utilisateurs, restrictions d'usage) sont à lire avant tout déploiement en entreprise. - [Qwen3.8-Flash-Next](https://clauzelfamille-dot.github.io/radar-ia/modeles/qwen__qwen3.8-flash-next.html) ## research-use-only Licence propre à l'éditeur : ses conditions (usage commercial, seuils d'utilisateurs, restrictions d'usage) sont à lire avant tout déploiement en entreprise. - [china-a-share-l2-tick-data](https://clauzelfamille-dot.github.io/radar-ia/modeles/venvoo__china-a-share-l2-level2-limit-order-book-tick-data.html) ## source-specific-rights Licence propre à l'éditeur : ses conditions (usage commercial, seuils d'utilisateurs, restrictions d'usage) sont à lire avant tout déploiement en entreprise. - [bharat-government-documents](https://clauzelfamille-dot.github.io/radar-ia/modeles/ankitjh4__bharat-government-documents.html) ## youtu-parsing Licence propre à l'éditeur : ses conditions (usage commercial, seuils d'utilisateurs, restrictions d'usage) sont à lire avant tout déploiement en entreprise. - [Youtu-Parsing-Omni](https://clauzelfamille-dot.github.io/radar-ia/modeles/tencent__youtu-parsing-omni.html) ## Licence non déclarée Aucune licence déclarée sur Hugging Face : sans autorisation explicite de l'auteur, la réutilisation n'est pas garantie. - [GAIA](https://clauzelfamille-dot.github.io/radar-ia/modeles/gaia-benchmark__gaia.html) - [jev-decision-index](https://clauzelfamille-dot.github.io/radar-ia/modeles/multimodalart__jev-decision-index.html) - [multi-harness-rl](https://clauzelfamille-dot.github.io/radar-ia/modeles/fineenvs__multi-harness-rl.html) - [System One Arcade](https://clauzelfamille-dot.github.io/radar-ia/modeles/liquidai__system-one-arcade.html) - [MiniMax-H3-Turbo-Lora](https://clauzelfamille-dot.github.io/radar-ia/modeles/pepe104__minimax-h3-turbo-lora-uncensored.html) - [JEV-27B Live Demo](https://clauzelfamille-dot.github.io/radar-ia/modeles/autotrust__jev-27b-demo.html) - [jev-9b-decision-demo](https://clauzelfamille-dot.github.io/radar-ia/modeles/autotrust__jev-9b-decision-demo.html) - [embeddinggemma-2-webgpu](https://clauzelfamille-dot.github.io/radar-ia/modeles/webml-community__embeddinggemma-2-webgpu.html) - [minimax-h3-character-swap-lora](https://clauzelfamille-dot.github.io/radar-ia/modeles/hugging-apps__minimax-h3-character-swap-lora.html) - [Qwen Image 2.1 Uncensored GGUF Studio](https://clauzelfamille-dot.github.io/radar-ia/modeles/arudradey__qwen-image-2.1-uncensored-gguf.html) - [Qwen Image 2.1 Uncensored AIO LoRA Studio](https://clauzelfamille-dot.github.io/radar-ia/modeles/arudradey__qwen-image-2.1-uncensored-aio-loras.html) - [BFS Best Face Swap](https://clauzelfamille-dot.github.io/radar-ia/modeles/hugging-apps__bfs-best-face-swap.html) - [Wan2.2 14B Fast](https://clauzelfamille-dot.github.io/radar-ia/modeles/zerogpu-aoti__wan2-2-fp8da-aoti-faster.html) - [KV Image to Clip](https://clauzelfamille-dot.github.io/radar-ia/modeles/kulkas2pintu__kv-i2v.html) - [LTX 2.3 10Eros Image-to-Video](https://clauzelfamille-dot.github.io/radar-ia/modeles/00000tt__ltx-2.3-10eros.html) - [Wan2.2 14B Preview](https://clauzelfamille-dot.github.io/radar-ia/modeles/kulkas2pintu__wan777.html) --- # Modèles GGUF pour llama.cpp, Ollama, LM Studio (octobre 2026) - [Ternary-Bonsai-2-27B-gguf](https://clauzelfamille-dot.github.io/radar-ia/modeles/prism-ml__ternary-bonsai-2-27b-gguf.html) — base : Qwen/Qwen3.8-27B ; 26,9 B ; licence apache-2.0 - [Qwen3.8-27B-GGUF](https://clauzelfamille-dot.github.io/radar-ia/modeles/unsloth__qwen3.8-27b-gguf.html) — base : Qwen/Qwen3.8-27B ; 27,3 B ; licence apache-2.0 - [Underdog-Saluki-27B-1.0](https://clauzelfamille-dot.github.io/radar-ia/modeles/conwayresearch__underdog-saluki-27b-1.0.html) — base : ISTA-DASLab/Qwen3.8-27B-GSQ-RCO-GGUF ; 26,9 B ; licence apache-2.0 - [Swift-Qwen3.8-27B-GGUF](https://clauzelfamille-dot.github.io/radar-ia/modeles/ukisai__swift-qwen3.8-27b-gguf.html) — base : ukisai/Swift-Qwen3.8-27b ; 27,3 B ; licence swift-open-license-1.0 - [Qwen3.8-27B-TURBO-Fable-Cold-Fusion-735-882-Heretic-Uncensored-NEO-CODER-MAX-MTP-GGUF](https://clauzelfamille-dot.github.io/radar-ia/modeles/davidau__qwen3.8-27b-turbo-fable-cold-fusion-735-882-heretic-uncensored-neo-coder-max-mtp-gguf.html) — base : DavidAU/Qwen3.8-27B-TURBO-Fable-Cold-Fusion-735-882-Heretic-Uncensored-NM-DAU ; 26,9 B ; licence apache-2.0 - [Qwen3.8-27B-GSQ-RCO-GGUF](https://clauzelfamille-dot.github.io/radar-ia/modeles/ista-daslab__qwen3.8-27b-gsq-rco-gguf.html) — base : Qwen/Qwen3.8-27B ; 26,9 B ; licence apache-2.0 - [Qwen-Image-2.1-Uncensored-Quantized](https://clauzelfamille-dot.github.io/radar-ia/modeles/abenzerps__qwen-image-2.1-uncensored-gguf.html) — base : Qwen/Qwen-Image-2.1 ; 7,1 B ; licence qwen-research - [Huihui-Qwen3.8-27B-abliterated-GGUF](https://clauzelfamille-dot.github.io/radar-ia/modeles/huihui-ai__huihui-qwen3.8-27b-abliterated-gguf.html) — base : Qwen/Qwen3.8-27B ; 27,3 B ; licence apache-2.0 - [Qwen3.8-27B-Coder390-EfficientThink-Opus5.5-GPT6Astra-Grok4.7-DSV4Pro-K3-SFT-RLOO-MTP-DFlash2](https://clauzelfamille-dot.github.io/radar-ia/modeles/nerkyor__qwen3.8-27b-coder390-efficientthink-opus5.5-gpt6astra-grok4.7-dsv4pro-k3-sft-rloo-mtp-dflash2.html) — base : nerkyor/Qwen3.8-27B-EfficientThink-Uncensored-K3-Opus5-Grok4.6-GPT5.6Sol-SFT-SimPO-DFlash2 ; 27,3 B ; licence apache-2.0 - [embeddinggemma-2-GGUF](https://clauzelfamille-dot.github.io/radar-ia/modeles/unsloth__embeddinggemma-2-gguf.html) — base : google/embeddinggemma-2 ; 271 M ; licence apache-2.0 - [Qwen3.8-Flash-Next-GSQ-RCO-Coder-GGUF](https://clauzelfamille-dot.github.io/radar-ia/modeles/ista-daslab__qwen3.8-flash-next-gsq-rco-coder-gguf.html) — base : Qwen/Qwen3.8-Flash-Next ; 116,5 B ; licence apache-2.0 - [Xing4.0-29B-A4B-GGUF](https://clauzelfamille-dot.github.io/radar-ia/modeles/venastine-research__xing4.0-29b-a4b-gguf.html) — base : XingChen-AGI/Xing4.0-29B-A4B ; 31,2 B ; licence apache-2.0 - [Qwen3.8-Flash-Next-GSQ-RCO-GGUF](https://clauzelfamille-dot.github.io/radar-ia/modeles/ista-daslab__qwen3.8-flash-next-gsq-rco-gguf.html) — base : Qwen/Qwen3.8-Flash-Next ; 176,9 B ; licence apache-2.0 - [Qwen3.8-Flash-Next-Uncensored-GGUF](https://clauzelfamille-dot.github.io/radar-ia/modeles/orcarouter__qwen3.8-flash-next-uncensored-gguf.html) — base : Qwen/Qwen3.8-Flash-Next ; 176,9 B ; licence apache-2.0 - [OrcaSAQ-2-Cyber-27B-Uncensored-GGUF](https://clauzelfamille-dot.github.io/radar-ia/modeles/orcarouter__orcasaq-2-cyber-27b-uncensored-gguf.html) — base : orcarouter/Qwen3.8-27B-Uncensored ; 27,3 B ; licence apache-2.0 - [Qwen-Image-2.1-Turbo-Uncensored-GGUF](https://clauzelfamille-dot.github.io/radar-ia/modeles/atomicchat__qwen-image-2.1-turbo-uncensored-gguf.html) — base : Qwen/Qwen3-VL-8B-Instruct ; 8,2 B ; licence apache-2.0 - [Mellum2.1-12B-A2.5B-Thinking-GGUF](https://clauzelfamille-dot.github.io/radar-ia/modeles/jetbrains__mellum2.1-12b-a2.5b-thinking-gguf.html) — base : JetBrains/Mellum2.1-12B-A2.5B-Thinking ; 12,1 B ; licence apache-2.0 - [Nemotron-3-Diarization](https://clauzelfamille-dot.github.io/radar-ia/modeles/nvidia__nemotron-3-diarization.html) — base : n.c. ; 99 M ; licence openmdw-1.1 - [humanizer](https://clauzelfamille-dot.github.io/radar-ia/modeles/jialinyyzz__humanizer.html) — base : google/gemma-4-12B ; 12 B ; licence apache-2.0 - [d1-3B-GGUF](https://clauzelfamille-dot.github.io/radar-ia/modeles/liquidai__d1-3b-gguf.html) — base : LiquidAI/d1-3B ; 2,7 B ; licence lfm1.0 --- # Glossaire de l'IA ouverte : GGUF, quantification, LoRA, MoE ## Poids ouverts (open weights) Modèle dont les paramètres entraînés sont téléchargeables, ce qui permet de l'exécuter chez soi. Cela ne dit rien de la licence : certains poids ouverts interdisent l'usage commercial. ## Paramètres Nombres appris pendant l'entraînement ; leur quantité (en milliards, « B ») donne l'ordre de grandeur de la taille du modèle et de la mémoire nécessaire. ## Quantification Réduction de la précision des paramètres (par exemple de 16 bits à 4 ou 8 bits) pour diminuer la mémoire et accélérer l'exécution, au prix d'une légère perte de qualité. ## GGUF Format de fichier de llama.cpp, repris par Ollama et LM Studio, qui regroupe les poids quantifiés et les métadonnées d'un modèle en un seul fichier exécutable sur un PC. ## Safetensors Format de stockage des poids conçu pour être chargé rapidement et sans exécuter de code, utilisé par défaut par la bibliothèque transformers. ## MLX Bibliothèque d'Apple pour exécuter des modèles sur les puces Apple Silicon ; un dépôt MLX contient des poids préparés pour elle. ## Fine-tune (affinage) Entraînement complémentaire d'un modèle existant sur des données ciblées, pour le spécialiser sur une tâche, un style ou une langue. ## Adaptateur (LoRA) Petit jeu de paramètres supplémentaires entraîné par-dessus un modèle de base, qu'on charge avec lui ; LoRA est la méthode la plus répandue. ## Fusion (merge) Modèle obtenu en combinant les poids de plusieurs modèles de même architecture, sans nouvel entraînement complet. ## Modèle de base Modèle dont un autre est dérivé (quantification, fine-tune, adaptateur, fusion). Hugging Face l'indique dans les métadonnées base_model. ## Mixture of Experts (MoE) Architecture où seule une partie des paramètres (les « experts » choisis) travaille pour chaque mot : le modèle est gros sur le disque mais moins coûteux à exécuter qu'un modèle dense de même taille. ## Fenêtre de contexte Quantité maximale de texte, comptée en tokens, que le modèle peut prendre en compte en une fois (consigne, documents et réponse compris). ## Token Unité de texte manipulée par un modèle : un mot court, un morceau de mot ou un signe. ## Accès restreint (gated) Dépôt Hugging Face dont le téléchargement exige d'accepter des conditions ou d'être approuvé par l'éditeur. ## Licence permissive Licence (Apache 2.0, MIT…) qui autorise l'usage, y compris commercial, la modification et la redistribution, sous réserve de conserver les mentions. ## Embedding (plongement) Vecteur de nombres qui représente le sens d'un texte ; sert à la recherche sémantique et au RAG. ## RAG Retrieval-Augmented Generation : le modèle répond en s'appuyant sur des passages retrouvés dans vos documents au lieu de sa seule mémoire. ## OCR Reconnaissance optique de caractères : transformation d'une image ou d'un PDF scanné en texte exploitable. ## Transcription (ASR) Reconnaissance automatique de la parole : conversion d'un enregistrement audio en texte. ## Diarisation Repérage de « qui parle quand » dans un enregistrement, souvent combiné à la transcription. ## Modèle vision-langage Modèle qui prend en entrée des images et du texte, par exemple pour décrire une image ou lire un document. ## Appel d'outils (tool calling) Capacité d'un modèle à produire un appel structuré vers une fonction ou une API, base des agents IA. ## Space Application de démonstration hébergée sur Hugging Face, souvent faite avec Gradio ou Streamlit. ## Dataset Jeu de données publié sur Hugging Face pour entraîner ou évaluer des modèles. ## Score Radar Note de 0 à 100 calculée par Radar IA : 40 % popularité, 30 % diffusion, 20 % fraîcheur, 10 % pertinence pour l'IA pratique (voir la page Méthode). --- # FAQ Radar IA ## Quels sont les modèles IA open source les plus populaires cette semaine ? D'après le Score Radar du 14/10/2026, les éléments créés depuis 7 jours les mieux classés sont : [Swift-Qwen3.8-27B-GGUF](modeles/ukisai__swift-qwen3.8-27b-gguf.html) (77), [Underdog-Saluki-27B-1.0](modeles/conwayresearch__underdog-saluki-27b-1.0.html) (77), [Swift-Qwen3.8-27b](modeles/ukisai__swift-qwen3.8-27b.html) (74), [Qwen3.8-27B-Coder390-EfficientThink-Opus5.5-GPT6Astra-Grok4.7-DSV4Pro-K3-SFT-RLOO-MTP-DFlash2](modeles/nerkyor__qwen3.8-27b-coder390-efficientthink-opus5.5-gpt6astra-grok4.7-dsv4pro-k3-sft-rloo-mtp-dflash2.html) (74), [embeddinggemma-2-GGUF](modeles/unsloth__embeddinggemma-2-gguf.html) (74). ## Quels modèles IA peut-on faire tourner en local sur un PC ? Parmi les éléments suivis, les meilleurs scores du domaine « LLM en local » sont : [Ternary-Bonsai-2-27B-gguf](modeles/prism-ml__ternary-bonsai-2-27b-gguf.html) (84), [Qwen3.8-27B-GGUF](modeles/unsloth__qwen3.8-27b-gguf.html) (82), [laya](modeles/convaiinnovations__laya.html) (79), [MiniCPM5-2B](modeles/openbmb__minicpm5-2b.html) (79), [Edge0-35B-A3B-preview](modeles/edge0__edge0-35b-a3b-preview.html) (78). Les versions GGUF se lancent avec llama.cpp, Ollama ou LM Studio. ## Quel modèle utiliser pour l'OCR et le traitement de documents ? Pour les documents (OCR, classification, extraction) : [laya](modeles/convaiinnovations__laya.html) (79), [clef](modeles/cloudflare__clef.html) (73), [Unlimited-OCR](modeles/baidu__unlimited-ocr.html) (73), [d1-3B](modeles/liquidai__d1-3b.html) (71), [clef-flash](modeles/cloudflare__clef-flash.html) (70). ## Quels modèles pour bâtir des agents IA avec appel d'outils ? Domaine agents et décision : [JEV-27B-VL](modeles/autotrust__jev-27b-vl.html) (84), [laya](modeles/convaiinnovations__laya.html) (79), [Underdog-Saluki-27B-1.0](modeles/conwayresearch__underdog-saluki-27b-1.0.html) (77), [Qwen3.8-27B](modeles/qwen__qwen3.8-27b.html) (77), [Xing4.0-29B-A4B](modeles/xingchen-agi__xing4.0-29b-a4b.html) (75). ## Quel modèle de transcription audio fonctionne en français ? Domaine voix et audio : [speaker-diarization-3.1](modeles/pyannote__speaker-diarization-3.1.html) (76), [Audio8-ASR-Infinite](modeles/edge0__audio8-asr-infinite.html) (75), [speaker-diarization-community-1](modeles/pyannote__speaker-diarization-community-1.html) (74), [whistle](modeles/cactus-compute__whistle.html) (66), [Nemotron-3-Diarization](modeles/nvidia__nemotron-3-diarization.html) (66). Vérifier le taux d'erreur en français sur chaque fiche. ## Qu'est-ce que le Score Radar ? Une note de 0 à 100 : 40 % popularité (likes, échelle log), 30 % diffusion (téléchargements, échelle log), 20 % fraîcheur (date de création), 10 % pertinence pour l'IA pratique. Détail sur la page Méthode. ## D'où viennent les données de Radar IA ? Des pages publiques de huggingface.co (tendances, likes sur 30 jours, fiches des modèles), relevées chaque matin par des agents IA. Licences, dates, langues, paramètres et formats sont ensuite revérifiés sur l'API Hugging Face à chaque publication. Chaque article cite ses sources. ## Quels modèles IA open source gèrent le français ? Parmi les éléments suivis, ceux dont les auteurs déclarent le français sur Hugging Face sont : [LTX-2.5](modeles/lightricks__ltx-2.5.html) (71), [d1-3B](modeles/liquidai__d1-3b.html) (71), [whistle](modeles/cactus-compute__whistle.html) (66), [d1-omni-600M](modeles/liquidai__d1-omni-600m.html) (66), [parakeet-redux](modeles/moondream__parakeet-redux.html) (64). Liste complète : [modèles qui gèrent le français](guides/francais.html). ## Quels modèles GGUF lancer avec Ollama ou LM Studio ? Dépôts GGUF suivis les mieux classés : [Ternary-Bonsai-2-27B-gguf](modeles/prism-ml__ternary-bonsai-2-27b-gguf.html) (84), [Qwen3.8-27B-GGUF](modeles/unsloth__qwen3.8-27b-gguf.html) (82), [Underdog-Saluki-27B-1.0](modeles/conwayresearch__underdog-saluki-27b-1.0.html) (77), [Swift-Qwen3.8-27B-GGUF](modeles/ukisai__swift-qwen3.8-27b-gguf.html) (77), [Qwen3.8-27B-TURBO-Fable-Cold-Fusion-735-882-Heretic-Uncensored-NEO-CODER-MAX-MTP-GGUF](modeles/davidau__qwen3.8-27b-turbo-fable-cold-fusion-735-882-heretic-uncensored-neo-coder-max-mtp-gguf.html) (75). Voir le [guide GGUF](guides/gguf.html) (paramètres, contexte, licence). ## Quels modèles IA open source sont sous licence Apache 2.0 ou MIT ? Les mieux classés sous licence Apache 2.0 ou MIT d'après Hugging Face : [JEV-27B-VL](modeles/autotrust__jev-27b-vl.html) (84), [Ternary-Bonsai-2-27B-gguf](modeles/prism-ml__ternary-bonsai-2-27b-gguf.html) (84), [Qwen3.8-27B-GGUF](modeles/unsloth__qwen3.8-27b-gguf.html) (82), [laya](modeles/convaiinnovations__laya.html) (79), [MiniCPM5-2B](modeles/openbmb__minicpm5-2b.html) (79). Détail par licence : [licences des modèles suivis](guides/licences.html). ## Comment un agent IA peut-il réutiliser ces données ? Via l'API JSON statique ([api/v1/index.json](api/v1/index.json), décrite par [openapi.json](openapi.json)), le fichier [llms.txt](llms.txt) ou le flux [RSS](feed.xml). Licence CC BY 4.0.