Últimos artículos para Modelos de Lenguaje

Un nuevo marco mejora cómo los agentes LLM aprenden a través de una guía de procesos detallada.

Presentamos RePrompt para mejorar el rendimiento del modelo de lenguaje a través de mensajes optimizados.

Un nuevo estándar evalúa cómo los modelos de lenguaje manejan los cambios de texto.

Los rasgos de los usuarios influyen en las respuestas de los modelos de lenguaje y en su seguridad.

Un conjunto de herramientas para evaluar el rendimiento de modelos aumentados por recuperación en dominios específicos.

Este estudio revela cómo los modelos de lenguaje cambian de comportamiento durante el entrenamiento.

Este artículo examina formas de mejorar las habilidades de planificación en modelos de lenguaje grandes.

DetectBench evalúa LLMs en su habilidad para detectar evidencia oculta en tareas de razonamiento.

Examinando cómo la activación de neuronas mejora el razonamiento aritmético en modelos de lenguaje grandes.

Un nuevo modelo genera poesía checa con mejor rima y ritmo.

Un nuevo estándar evalúa las habilidades de razonamiento en modelos de lenguaje.

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

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

Este artículo explora cómo los adversarios impactan el trabajo en equipo entre los modelos de lenguaje.

Un estudio completo sobre el rendimiento de los modelos de lenguaje en 10 idiomas indios.

Un nuevo método mejora la reparación de código para lenguajes de programación poco utilizados.

Explorando cómo los sinks de atención afectan el rendimiento de los modelos de lenguaje y presentando una técnica de calibración.

RankAdaptor optimiza el ajuste fino para modelos de IA podados, mejorando el rendimiento de manera eficiente.

Un estudio sobre PlagBench y su papel en la detección de plagio en los resultados de LLM.

Nuevo conjunto de datos evalúa la capacidad de los LLM para tareas complejas de razonamiento lógico.

Esta investigación examina cómo las habilidades de razonamiento se transfieren entre idiomas en los modelos de lenguaje.

Este artículo habla de cómo los modelos de IA aprenden de los errores a través de la autocorrección.

Este estudio evalúa qué tan bien los LLMs razonan sobre las direcciones cardinales.

Este estudio evalúa qué tan bien manejan los LLMs la toma de decisiones en un entorno de juego.

Un estudio revela cómo las características del usuario afectan las respuestas y la precisión de los LLM.

CharED combina modelos de lenguaje para mejorar el rendimiento sin vocabularios compartidos.

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

Explorando problemas de equidad en los modelos de lenguaje de IA y sus implicaciones.

Presentamos una herramienta para mejorar la seguridad en las interacciones con modelos de lenguaje.

Este artículo explora la detección de errores en las herramientas utilizadas por los modelos de lenguaje.

Este artículo analiza estructuras repetitivas en textos generados por modelos de lenguaje.

Un nuevo punto de referencia evalúa qué tan bien los modelos de lenguaje siguen múltiples instrucciones en secuencia.

El conjunto de datos MalAlgoQA evalúa el razonamiento de los Modelos de Lenguaje Grande en escenarios contrafactuales.

MathCAMPS ofrece una forma nueva de evaluar el razonamiento matemático en modelos de lenguaje.

Este trabajo se centra en una mejor representación de números usando incrustaciones de dígitos para mejorar las predicciones.

Explorando la efectividad de los LLMs en la toma de decisiones a través de escenarios de Dueling Bandits.

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.

Ajustando modelos de lenguaje grandes directamente en smartphones mientras protegemos los datos del usuario.

Una visión general de la interpretabilidad mecanicista en modelos de lenguaje basados en transformadores.