Últimos artículos para Evaluación de Datos

Nuevo conjunto de datos mejora la evaluación de modelos multilingües en diferentes idiomas.

SQuArE métrico mejora la evaluación de sistemas de QA a través de múltiples referencias de respuestas.

Nuevos métodos mejoran la evaluación del rendimiento de objetos pequeños en WSSS.

Un nuevo marco para evaluar sistemas RAG sin referencias humanas.

Presentando un método que mide la calidad de las respuestas a diferentes niveles de detalle.

Este estudio propone nuevos métodos para evaluar respuestas en la respuesta a preguntas en máquinas.

Nuevos métodos mejoran la evaluación de las explicaciones de los modelos de IA.

Un nuevo conjunto de datos y método mejoran la generación de preguntas en modelos de lenguaje.

Nuevo conjunto de datos mejora la verificación de los pasos de razonamiento en modelos de IA.

Este artículo presenta un estándar para evaluar modelos de lenguaje grandes con tareas complejas.

Un estudio sobre cómo ChatGPT usa el lenguaje y las características del vocabulario.

Una mirada detallada a la evaluación de expertos en inteligencia artificial y humanos en ciberseguridad por parte de CyberMetric.

Un nuevo método evalúa la efectividad de la edición de modelos para generar textos más largos.

Un nuevo marco para evaluar la corrección de las respuestas de IA con un juicio parecido al humano.

Nuevo conjunto de datos mejora los métodos de evaluación para el desaprendizaje de máquinas en la generación de imágenes.

FanOutQA ayuda a evaluar modelos de lenguaje en preguntas complicadas de múltiples pasos usando datos estructurados.

Una nueva herramienta genera diversas instancias de alucinaciones visuales para mejorar la precisión de la IA.

Este artículo habla sobre un nuevo marco para evaluar las alucinaciones en los LVLMs.

Un método para la evaluación continua de modelos en aprendizaje automático para prevenir el sobreajuste.

Un nuevo método mejora la verificación de hechos en sistemas de generación aumentada por recuperación.

Mejorando la comprensión de las intenciones del usuario a través de la negación y la implicatura.

Un análisis de cómo los modelos de lenguaje entienden las reglas de reconocimiento de entidades.

Esta investigación evalúa el uso de LLMs para escenarios realistas de autos autónomos.

Un marco para mejorar el rendimiento de NLP en varios dialectos de idiomas.

Evaluando LLMs en su capacidad para procesar textos largos en literatura.

Un nuevo marco evalúa qué tan confiables son los LLMs como asistentes biomédicos.

Un estudio destaca el impacto de la contaminación de datos en las evaluaciones de modelos de código.

Un nuevo conjunto de datos mejora la evaluación del conocimiento molecular en los modelos de lenguaje.

SPHINX-V mejora la capacidad de la IA para interpretar imágenes a través de la interacción del usuario.

BEAR mejora la evaluación del conocimiento relacional en los modelos de lenguaje.

Este estudio examina cómo los modelos de lenguaje manejan diferentes expresiones de los mismos problemas de razonamiento.

Un nuevo conjunto de datos evalúa cómo los modelos de lenguaje manejan contenido dañino en diferentes culturas.

Un nuevo estándar mejora cómo evaluamos los LVLMs y su precisión.

Una evaluación de qué tan bien los LLMs recuerdan información factual y los factores involucrados.

Este estudio ofrece métodos mejorados para evaluar modelos de texto a imagen.

Un estudio que evalúa métodos de aprendizaje de pocos disparos para la clasificación del idioma polaco.

N nuevas métricas mejoran la evaluación de sistemas de extracción de información en documentos manuscritos.

WorkBench prueba la habilidad de los agentes para realizar tareas de oficina realistas con un método de evaluación único.

Evaluando cómo los LLMs se adaptan a nueva información y sesgos.

Un nuevo método para evaluar la alineación de los modelos de lenguaje con los valores humanos.