# Compression Articles associés

Le Centre d'actualités HTX fournit les derniers articles et analyses approfondies sur "Compression", couvrant les tendances du marché, les mises à jour des projets, les développements technologiques et les politiques réglementaires dans l'industrie crypto.

Apple réinvente la compression d'images avec l'IA : La même qualité pour des fichiers trois fois plus petits

La compression d’image entre dans une nouvelle ère avec l’arrivée de l’IA. En février 2025, le groupe JPEG a officiellement lancé JPEG AI, le premier standard international de codage d’images basé sur l’apprentissage automatique. Toutefois, même cette avancée reste éloignée de la « compression perceptuelle », qui optimise l’expérience visuelle humaine plutôt que des indicateurs mathématiques comme le PSNR. Apple répond à ce défi avec PICO (Perceptual Image Codec), un codec conçu pour plaire à l’œil humain. Il résout trois problèmes clés : 1. **Vitesse** : grâce à un modèle de contexte « one-shot », il évite la lenteur de l’encodage autorégressif classique. 2. **Hallucinations** : une fonction de perte dédiée (TextFidelityLoss) préserve la précision du texte, réduisant de moitié les erreurs dans ces zones. 3. **Artefacts** : une perte spécifique (TilingArtifactLoss) supprime les différences de couleur entre les blocs d’image. Lors d’un test subjectif à grande échelle, PICO a réduit la taille des fichiers de 30 à 43 % par rapport aux codecs comme AV1, VVC ou JPEG AI, à qualité visuelle équivalente. Sur un iPhone 17 Pro Max, il code une photo 12 MP en 230 ms et la décode en 150 ms. Bien que moins efficace sur les images synthétiques (dessins, schémas), PICO marque un tournant en priorisant systématiquement la perception humaine, ouvrant la voie à une compression plus intelligente et intégrée dans nos appareils.

marsbit05/30 02:51

Apple réinvente la compression d'images avec l'IA : La même qualité pour des fichiers trois fois plus petits

marsbit05/30 02:51

a16z : Le syndrome de l'« amnésie » de l'IA, l'apprentissage continu peut-il le guérir ?

Résumé : Les modèles de langage actuels souffrent d’une forme d’amnésie : une fois entraînés, leurs paramètres sont figés, les empêchant d’intégrer de nouvelles connaissances après leur déploiement. Pour pallier cela, des méthodes comme l’apprentissage en contexte (ICL) ou les systèmes de mémoire externe (RAG) sont utilisées, mais elles ne permettent pas une véritable internalisation des informations. L’article explore la question de l’apprentissage continu (continual learning), une piste de recherche cruciale pour permettre aux modèles de mettre à jour leurs paramètres de manière ciblée et durable. Trois approches sont présentées : l’apprentissage par contexte (non paramétrique), l’ajout de modules spécialisés (semi-paramétrique) et la mise à jour directe des poids (paramétrique). Si les méthodes non paramétriques sont matures et efficaces, elles butent sur des limites structurelles : impossibilité de généraliser véritablement, difficulté à traiter des connaissances implicites ou à résoudre des problèmes nécessitant une compression profonde (comme des preuves mathématiques novatrices). Les défis techniques et de sécurité liés aux mises à jour paramétriques (oubli catastrophique, auditabilité, alignement) restent importants, mais des solutions émergent (apprentissage métacognitif, architecture éparse, auto-amélioration). Une combinaison de ces approches pourrait permettre aux IA de passer d’une simple mémoire externe à une véritable capacité d’apprentissage continu.

marsbit04/25 04:43

a16z : Le syndrome de l'« amnésie » de l'IA, l'apprentissage continu peut-il le guérir ?

marsbit04/25 04:43

La bonne façon de gérer le contexte de Claude Code : Éviter que plus la session est longue, plus le modèle devient « stupide »

Claude Code a récemment étendu sa fenêtre contextuelle à 1 million de tokens, offrant une capacité accrue pour les tâches complexes. Cependant, une gestion efficace du contexte est cruciale pour maintenir les performances du modèle, évitant la "détérioration contextuelle" (Context Rot) où trop d'informations nuisent à la pertinence. L'article présente plusieurs stratégies clés : - **Continuer** : Envoyer directement un nouveau message dans la même conversation. - **Remonter le temps (Rewind)** : Revenir à un point précédent pour corriger une erreur ou changer d'approche, souvent plus efficace que de simples corrections. - **Nouvelle session (/clear)** : Démarrer une nouvelle conversation avec un résumé manuel des points essentiels, pour un contexte entièrement propre. - **Compression contextuelle (/compact)** : Laisser Claude résumer l'historique pour libérer de l'espace. C'est pratique mais peut être "avec perte" ; des instructions précises guident mieux le résumé. - **Sous-agents (Subagents)** : Déléguer une tâche à un agent qui travaille dans un contexte isolé et ne renvoie que le résultat final, idéal pour les travaux aux nombreux outputs intermédiaires. Le conseil principal est de démarrer une nouvelle session pour une nouvelle tâche. La commande `rewind` est privilégiée pour les corrections, et les sous-agents pour les travaux complexes à outputs éphémères. Bien maîtriser ces outils est essentiel pour optimiser les résultats avec Claude Code.

marsbit04/16 10:41

La bonne façon de gérer le contexte de Claude Code : Éviter que plus la session est longue, plus le modèle devient « stupide »

marsbit04/16 10:41

Capture de valeur des L1 en forte baisse : ETH, SOL et HYPE peinent à retrouver leurs sommets historiques

Une analyse approfondie révèle que la capture de valeur des blockchains de niveau 1 (L1) comme Bitcoin, Ethereum et Solana subit une compression structurelle et persistante de leurs revenus issus des frais de transaction. Chaque pic de demande génère un afflux de revenus, qui stimule immédiatement l'innovation pour contourner ces frais, systématiquement réduits à néant. Pour Bitcoin, les revenus des mineurs provenant des frais de transaction ont chuté de manière spectaculaire après chaque cycle de hausse des prix, passant de 78% des récompenses de bloc en 2017 à moins de 1% en 2025, malgré une activité économique accrue. Les solutions comme le Lightning Network et les BTC wrapped sur d'autres chaînes ont canalisé la demande hors de la chaîne principale. Ethereum a connu une trajectoire similaire. Les revenus annuels des frais, qui avaient atteint des milliards durant le « DeFi Summer » et la folie des NFT, se sont effondrés de plus de 95% en 2025. Cette chute est principalement due à la montée des solutions de couche 2 (L2) et à la mise à jour Dencun (EIP-4844), qui a radicalement réduit le coût des données pour les L2, tarissant ainsi cette source de revenus pour la L1. Solana, bien que différent avec des frais de base minimes et une dépendance aux MEV, suit la même règle. L'émergence des AMM privés et de plateformes comme Hyperliquid, qui déplacent l'activité de trading la plus lucrative hors chaîne, a entraîné une chute de plus de 90% des revenus MEV quotidians début 2025. L'article conclut que la valorisation des jetons L1 ne peut plus reposer sur les revenus prévisionnels des frais, mais plutôt sur des récits narratifs, des flux de trésorerie structurels (comme les ETF pour Bitcoin) ou le staking. Cette nouvelle logique de valorisation, bien que dominante, pourrait s'avérer tout aussi fragile lorsque ces narratifs s'estomperont, soulevant des questions sur les fondamentaux sous-jacents qui soutiendront les prix à long terme.

marsbit02/26 09:01

Capture de valeur des L1 en forte baisse : ETH, SOL et HYPE peinent à retrouver leurs sommets historiques

marsbit02/26 09:01

活动图片