Hermann @DevLelouch

Faire une demande exagéré ensuite une demande modéré c est un mécanisme de manipulation. Par exemple demande si elle est dispo à l instant T pour aller à un rencard ( tu sais bien que non car elle va en cours ou une course) Elle dit non s excuse , et là tu fais ta vrai demande " du coup tu peux au moins me passer ton numéro on pourra rattraper ca. Biensur le ton et l'ambiance importe.

Disk is full and App is down ? Buy more space🤓

Branko @brankopetric00

7 days ago

Disk is full. App is down. DevOps is already typing rm -rf /var/log. df, du, lsof first. A "full" disk is often a deleted-but-open file, and rm frees nothing. Try to solve the "Disk is full" challenge 👇

13 4 68 13K 72

What it takes to build with Fable: - Claude account - 1 milion dollars

Petite veille techno : DiffusionGemma 26B DiffusionGemma 26B est sorti le 10 juin 2026. Ce modèle s’inscrit dans la continuité du papier Large Language Diffusion Models, publié sur arXiv le 14 février 2025. À mon sens, c’est l’un des papiers à connaître lorsqu’on parle de modèles de diffusion appliqués aux LLM. Ce papier introduisait LLaDA, un modèle de langage de 8 milliards de paramètres entraîné de zéro avec un objectif de diffusion. Son ambition était de montrer qu’un LLM n’était pas obligé de générer du texte strictement de gauche à droite, un token après l’autre. Pourquoi DiffusionGemma est-il intéressant ? Parce qu’il change la manière dont le texte est généré. Un LLM classique comme Gemma 4 est autorégressif : il produit un token, puis le suivant, puis le suivant. DiffusionGemma travaille plutôt sur un bloc de 256 tokens, appelé canvas. Il commence avec des tokens aléatoires, puis affine progressivement l’ensemble du bloc jusqu’à obtenir une réponse cohérente. Cette approche permet au GPU de traiter plusieurs positions en parallèle. Google annonce ainsi jusqu’à 1 000 tokens par seconde sur une NVIDIA H100 et plus de 700 tokens par seconde sur une RTX 5090, soit jusqu’à quatre fois la vitesse d’un modèle autorégressif comparable dans un scénario mono-utilisateur. Le modèle peut également réévaluer les différents tokens du bloc pendant le débruitage. Il est donc particulièrement intéressant pour des tâches comme : - la complétion de code ; - la modification d’un passage au milieu d’un texte ; - la génération de données structurées ; - les agents interactifs ; - les applications locales nécessitant une faible latence. Est-ce le premier modèle de ce genre ? Non. Des travaux sur la diffusion appliquée au texte existaient déjà, notamment Diffusion-LM, SEDD et surtout LLaDA 8B. LLaDA avait déjà démontré en 2025 qu’un grand modèle de langage entraîné par diffusion pouvait suivre des instructions, apprendre en contexte et obtenir des performances compétitives face à certains modèles autorégressifs de taille comparable. Ce qui distingue DiffusionGemma, c’est surtout son niveau d’industrialisation. Il est développé par Google DeepMind, basé sur l’architecture de Gemma 4, publié avec ses poids sous licence Apache 2.0 et pris en charge dès sa sortie par des outils comme Hugging Face Transformers, vLLM et Unsloth. Il est également multimodal : il accepte du texte, des images et des vidéos en entrée, puis génère du texte. Peut-il tourner localement ? Oui, avec une configuration adaptée. DiffusionGemma possède environ 25,2 milliards de paramètres au total, mais seulement 3,8 milliards de paramètres sont actifs à chaque passage grâce à son architecture Mixture of Experts. Dans une version quantifiée, Google indique qu’il peut tenir dans environ 18 Go de VRAM. Il peut donc fonctionner sur des cartes graphiques grand public haut de gamme, comme les RTX 4090 ou RTX 5090. Comme Gemma 4 26B-A4B, il propose aussi une fenêtre de contexte pouvant atteindre 256 000 tokens. Qu’en est-il des performances par rapport à Gemma 4 ? C’est ici que se trouve le principal compromis : DiffusionGemma est beaucoup plus rapide, mais généralement moins performant que Gemma 4 26B-A4B sur les benchmarks de qualité. Quelques résultats officiels : - MMLU Pro : 77,6 % contre 82,6 % pour Gemma 4 ; - LiveCodeBench v6 : 69,1 % contre 77,1 % ; - MMMU Pro en vision : 54,3 % contre 73,8 % ; - contexte long à 128 000 tokens : 32 % contre 44,1 %. L’écart est particulièrement visible sur le raisonnement mathématique complexe, la vision et les tâches nécessitant une forte précision. La question à suivre désormais est simple : les prochaines générations réussiront-elles à conserver cette vitesse tout en rattrapant la qualité des modèles autorégressifs ? Source : deepmind.google/models/gemma/d… arxiv.org/abs/2502.09992 ai.google.dev/gemma/docs/dif…

@nvidia

Me waiting for GLM-5.2 to drop on NVIDIA models

Vulnerable to SQL injection No transaction No rollback possible No balance validation Risk of a negative balance No check that rows were actually updated Risk of inconsistent state if the second query fails No error handling Hardcoded values Risk of duplicate execution on retry Possible concurrency issues

Ashok Sahoo @ashoKumar89

2 weeks ago

This code passed code review. Would you approve it?

19 2 98 35K 26

This code passed code review. Would you approve it?

Kubernetes documentation reads like it was written by people who already know Kubernetes for people who already know Kubernetes.

@jeiting 😂

A2A Java SDK 1.0 is now available. It is not a direct competitor to LangChain4j or Spring AI. LangChain4j and Spring AI help you build agents in Java: model access, memory, RAG, tools, and orchestration. A2A operates at a different layer. It is a protocol that allows existing agents, possibly built with different technologies, to communicate and delegate tasks to one another. You could build one agent with Spring AI, another with LangChain4j, and use A2A to make them work together. The challenge is no longer just building agents, but making them interoperable.

@Zoeillle Je croyais etre le seul à utiliser java pour mes agents ia🤣

software developer = software engineer?

AWS veut permettre aux sites de faire payer les bots IA qui viennent aspirer leur contenu. Après le blocage des bots, on passe à la monétisation de leur accès. La vraie question maintenant : est-ce que les acteurs de l’IA accepteront de payer ?

Branko @brankopetric00

3 weeks ago

You can now charge AI bots and agents for access to your content AWS implemented charges for AI bots in WAF A bot hits a protected URL, WAF returns a 402 with the price and accepted payment networks, the agent pays, and the content gets served. How it works: - Runs on the x402

0 4 24 1K 10

@LLCoolChris_ Un camerounais. Je m abonne

@mickthedevo @gchampeau C est probablement inclus. C est juste plus gentil de dire '' on achète cursor'' plutôt que '' on achète vos données ''

Déjà si on parle de domaine général oui aucun model ne Domine mais dans des catégories il y a clairement des leader. GPT 5.5 pour les math, fable 5 codage et recherche, gemini ailleurs Ensuite Les 4–5 meilleurs sont souvent à moins de 3–4 points sur les benchmarks durs c est trop précis et faux il n y a pas de benchmark universel FrontierMath Tiers 1–3 : les trois premiers sont séparés d’environ 2,4 points. FrontierMath Tier 4 : 10 points entre le premier et le deuxième. Terminal-Bench 2.0 : + 5 points entre les deux premiers. BALROG : + 14 points entre le premier et Grok 4.