Últimos artículos para Evaluación

VideoVista ofrece una evaluación completa para modelos de preguntas y respuestas de video.

Este artículo explora métodos para mejorar la fiabilidad de los artefactos de investigación en informática.

Los modelos GLM-4 muestran capacidades mejoradas en comprensión y generación de lenguaje.

Un estudio sobre el uso de LLMs para juzgar otros LLMs y sus implicaciones.

Un estudio sobre cómo los modelos de lenguaje generan razones persuasivas para la evaluación de argumentos.

Dos nuevos modelos buscan mejorar el acceso a la tecnología para los hablantes de gallego.

Examinando las dificultades de traducir lenguaje metafórico en la traducción automática.

DF40 ofrece un enfoque integral para mejorar los métodos de detección de deepfakes.

Este estudio evalúa la honestidad de los LLM en tres áreas clave.

Descubre cómo las empresas mejoran sus sistemas de preguntas y respuestas para dar un mejor soporte a los usuarios.

Un estudio sobre cómo la IA comprende los algoritmos y sus implicaciones.

Una nueva métrica mejora la evaluación de modelos de clasificación de texto en diferentes dominios.

La contaminación de datos afecta mucho la evaluación de los modelos de lenguaje grandes.

Un nuevo método para evaluar LLMs se alinea con los valores humanos.

Una nueva herramienta para evaluar sesgos en grandes modelos de visión-lenguaje.

Un estudio evalúa cómo las máquinas crean poesía variada y creativa en comparación con los humanos.

Un nuevo método mejora cómo evaluamos las contranarrativas al discurso de odio.

InternLM-Law mejora las respuestas a diversas preguntas legales chinas con un entrenamiento avanzado.

Explorando cómo los perfiles de usuario mejoran la personalización en los modelos de lenguaje.

La investigación muestra que los modelos tienen problemas con las dependencias de pasos en las recetas de cocina.

Este documento presenta un método para evaluar modelos de lenguaje en diferentes indicaciones.

Nuevo método aborda las diferencias regionales en la evaluación del sesgo de género.

El conjunto de datos M2Lingual mejora las capacidades de seguir instrucciones en varios idiomas.

Este artículo presenta un nuevo método para evaluar modelos de texto a imagen de manera efectiva.

Este estudio evalúa el rendimiento de los Modelos de Lenguaje utilizando las pruebas INVALSI italianas.

RAGBench presenta un conjunto de datos completo para evaluar sistemas de Generación Aumentada de Recuperación.

Dysca presenta una nueva forma de evaluar el rendimiento de LVLM utilizando datos sintéticos.

Una mirada a los métodos modernos en el diseño de ingeniería para la eficiencia y el rendimiento.

Un nuevo enfoque mejora la extracción de eventos causales utilizando evaluación centrada en el ser humano.

Evaluando cómo el deferir a expertos humanos afecta la precisión de las predicciones en modelos de ML.

Presentando un nuevo método para mejores soluciones en tareas complejas de ingeniería y robótica.

Un estudio que evalúa la calidad de los conjuntos de datos para identificar el discurso de odio en línea.

Un nuevo método mide cómo los modelos de lenguaje adaptan sus creencias con nueva evidencia.

Nuevo estándar mejora la evaluación de modelos multimodales al minimizar sesgos.

GraphArena evalúa el rendimiento de LLM en problemas de grafos usando datos del mundo real.

Explora un método justo para compartir el crédito en proyectos en grupo.

Un nuevo estándar para evaluar modelos de lenguaje grandes en pruebas de hipótesis.

CRAB mejora las pruebas para modelos de lenguaje en entornos del mundo real.

Este artículo examina el impacto de los cambios temporales en las evaluaciones de sistemas de recuperación de información.

Presentamos FairMedFM para evaluar la equidad de los modelos de base en el sector salud.