Últimos artículos para Procesamiento de Lenguaje Natural

LinkNER combina modelos de NER y LLMs para mejorar el reconocimiento de entidades nombradas.

Esta investigación se centra en mejorar los modelos de lenguaje afinando su forma de manejar la negación.

Un marco para mejorar la comprensión de la abstracción en los LLMs.

Un estudio sobre mezclar adaptadores específicos de dominio para mejorar el rendimiento de la IA.

Un nuevo método mejora la recolección de datos para una mejor alineación de modelos de lenguaje.

Un nuevo enfoque aborda el tema de los tokens perdidos y el padding en los modelos de aprendizaje automático.

Un nuevo enfoque para evaluar LLMs a través de benchmarks adaptables.

Un nuevo método mejora la extracción de eventos usando técnicas de aprendizaje por refuerzo.

Este artículo habla sobre un nuevo método para mejorar el rendimiento de las indicaciones en los modelos de lenguaje.

Un nuevo enfoque para hacer que los modelos de lenguaje sean más pequeños y rápidos usando cuantización de 1 bit.

Examinando el rendimiento de los modelos de lenguaje en tareas de razonamiento financiero.

Investigando el sesgo propio en los LLMs y su impacto en el rendimiento.

Un estudio sobre cómo mejorar el aprendizaje de modelos de lenguaje usando cambios mínimos en el estilo de los datos de entrenamiento.

Un nuevo enfoque genera subtítulos de audio usando solo texto, mejorando la eficiencia de datos.

Un método para mejorar la precisión de la IA en las conversaciones usando documentos específicos.

SPML mejora la seguridad de los chatbots al monitorear las entradas de los usuarios y afinar las definiciones.

Aprende cómo la invariancia condicional mejora el rendimiento del modelo en diferentes tipos de datos.

Aprovechando los LLMs para crear grandes conjuntos de datos para predecir intenciones en sistemas de conversación.

La optimización de orden cero ofrece eficiencia en memoria para grandes modelos de lenguaje en tareas de PNL.

Este estudio examina cómo diferentes fuentes de datos afectan a los modelos de lenguaje grandes.

Un nuevo método para seleccionar demostraciones mejora el rendimiento del modelo en tareas de lenguaje.

Este artículo examina cómo los modelos de lenguaje equilibran información factual y contrafactual.

La investigación revela que los LLMs pueden procesar conocimiento estructurado de manera efectiva, incluso cuando está desordenado.

Este artículo examina cómo la longitud de la entrada afecta las habilidades de razonamiento de los Modelos de Lenguaje Grande.

Un estudio sobre la efectividad de RLAIF frente a la fine-tuning supervisada para modelos de lenguaje.

Nuevo método mejora la comprensión del diálogo al dividir el contexto en partes.

Este estudio explora cómo mejorar la precisión de los clasificadores neuronales usando modelos de lenguaje.

Un nuevo método para que los agentes de IA aprendan de su entorno usando código.

Un nuevo método reduce el olvido en los modelos de lenguaje durante las actualizaciones.

BIDER mejora la precisión de las respuestas que dan los modelos de lenguaje grandes.

Un estudio revela cómo los modelos de transformadores realizan tareas de razonamiento usando estrategias internas.

Este artículo habla sobre técnicas para mejorar la transparencia del razonamiento en los modelos de IA.

Examinando cómo la auto-atención impacta el rendimiento del modelo en varias tareas.

Un estudio sobre cómo los modelos de lenguaje interpretan oraciones vagas.

Un nuevo enfoque mejora las predicciones para diversas estructuras de grafos usando PM-FGW.

Una mirada a cómo los VLMs combinan el procesamiento de imágenes y texto.

ProSparse mejora la escasez de activación en LLMs para una mejor eficiencia y rendimiento.

Un nuevo estándar mejora la recuperación de documentos en polaco.

Explorando los desafíos de seguridad de la ingeniería de prompts con LLMs.

Este estudio examina cómo los modelos de lenguaje aprenden y almacenan información durante el entrenamiento.