Últimos artículos para Evaluación

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.

Nuevo conjunto de datos mejora el rendimiento del modelo de lenguaje árabe y fomenta la comunicación efectiva.

Estudiando cómo la cuantización afecta el rendimiento en diferentes idiomas.

Explorando modelos de aprendizaje automático y nuevos conjuntos de datos para mejorar la seguridad.

Un nuevo estándar aborda los desafíos en la recuperación de código para los desarrolladores.

Nuevos métodos mejoran la confiabilidad del texto generado por modelos de lenguaje.

Una herramienta para identificar respuestas engañosas de modelos de lenguaje grandes.

Descubre la importancia y los retos de evaluar el rendimiento de los LLM de manera efectiva.

Una mirada a las tablas de clasificación de modelos de fundación y sus problemas de evaluación.

El estudio revela el sesgo en las herramientas de evaluación de IA que favorecen respuestas más largas.

Un nuevo enfoque mejora la precisión de las evaluaciones de modelos de lenguaje.

Un nuevo método para seleccionar lenguajes diversos en la investigación de procesamiento del lenguaje natural.

Un nuevo estándar evalúa las habilidades de razonamiento temporal de los modelos de lenguaje grandes.

Enfoque innovador para crear funciones de adquisición efectivas para la optimización bayesiana.

Un nuevo conjunto de datos mejora la precisión en la evaluación de resúmenes de historias generados por modelos de lenguaje.

Un nuevo método para evaluar agentes de análisis de datos para mejores percepciones comerciales.

Un desafío para mejorar la comprensión de los robots sobre las interacciones humanas.

Un nuevo marco busca automatizar las revisiones de documentos para obtener mejores comentarios de calidad.

Presentamos DictaLM 2.0 y DictaLM 2.0-Instruct para mejorar el procesamiento del idioma hebreo.

Este estudio analiza qué tan bien los modelos representan diversas culturas.

Un proyecto centrado en mejorar la generación de historias en árabe usando modelos avanzados.

Una nueva forma de evaluar modelos de lenguaje grandes para obtener mejores ideas sobre su rendimiento.

La investigación presenta nuevos métodos para evaluar sistemas de reconocimiento de voz en polaco.

Descubre cómo los datos sintéticos ayudan a los minoristas a proteger la privacidad de los clientes mientras obtienen información valiosa.

DocBench evalúa sistemas basados en LLM para leer y responder a diferentes formatos de documentos.

Un marco para evaluar las habilidades de los LLM en tareas relacionadas con datos usando intérpretes de código.

Examinando el impacto de los LLM en los estereotipos sociales y formas de mejorar los resultados.

Este estudio propone un nuevo método de evaluación para la comprensión de video-texto.

Analizando la importancia y las dificultades de evaluar modelos de IA multimodal.

Un nuevo conjunto de datos para mejorar el rendimiento en preguntas y respuestas usando respuestas largas, hechas por humanos.

Los modelos Phi-3 se centran en la seguridad y en alinearse con los valores humanos.

Examinando problemas con modelos de lenguaje grandes para predecir elementos faltantes en listas.

Un estudio que compara modelos de IA y evaluaciones humanas de resúmenes científicos.

Un nuevo estándar evalúa modelos de lenguaje en desafíos de codificación científica en varios campos.