Últimos artículos para Procesamiento del lenguaje

Examinando los temas clave de seguridad relacionados con los modelos de lenguaje grandes en IA.

Un nuevo marco evalúa la precisión y la fiabilidad de las fuentes para las respuestas generadas por modelos de lenguaje.

Este estudio evalúa modelos de lenguaje para clasificar la toxicidad del contenido político.

Una nueva técnica revela debilidades en las medidas de seguridad de IA para modelos de lenguaje.

Explorando cómo funciona la memoria en los LLMs y su comparación con la memoria humana.

La Pseudo-Rotación de Householder mejora el rendimiento y la consistencia de las respuestas de los modelos de lenguaje.

Un nuevo enfoque mejora la fiabilidad en el entrenamiento de modelos de lenguaje a través de sistemas de retroalimentación robustos.

Explorando el desafío GenSEC para mejorar la precisión de la transcripción de voz.

LOLA mejora la comunicación al soportar más de 160 idiomas de manera eficiente.

La investigación muestra que el sesgo de recencia mejora las predicciones del tiempo de lectura en modelos de lenguaje.

Nuevos métodos buscan reducir las inexactitudes en los modelos de lenguaje dentro de los sistemas de recuperación de información.

Un estudio sobre la efectividad de los evaluadores automáticos para modelos de lenguaje.

Esta investigación mejora la transferencia de conocimiento entre Kinyarwanda y Kirundi usando modelos multilingües.

Examinando cómo el ajuste fino afecta la seguridad en los modelos de lenguaje en varias tareas.

Cobweb/4L mejora la forma en que las máquinas aprenden el lenguaje con un enfoque eficiente.

Un marco que combina métodos extractivos y abstractivos para mejorar los resúmenes de documentos en vietnamita.

Este artículo examina cómo los LLMs pueden identificar variables faltantes en la investigación científica.

Un método para actualizar modelos de lenguaje grandes de manera eficiente y precisa.

Presentando un conjunto de datos para evaluar el rendimiento de los sistemas RAG en situaciones del mundo real.

MEXMA mejora la representación de oraciones en diferentes idiomas, haciendo que las herramientas de comunicación multilingüe sean más chidas.

Una visión general de los problemas únicos que enfrentan los idiomas de bajos recursos y posibles soluciones.

Juhaina es un nuevo modelo de lenguaje para hablantes de árabe e inglés que respeta los contextos culturales.

Un nuevo marco mejora cómo los modelos de lenguaje interactúan a través de solicitudes iterativas.

Explorando cómo las respuestas del cerebro afectan nuestra comprensión del idioma.

Un nuevo modelo mejora el procesamiento y análisis de textos en sánscrito.

Los investigadores presentan el conjunto de datos STOP para analizar sesgos en los modelos de lenguaje.

Examinando el papel de las emociones en mejorar las interacciones con modelos de lenguaje.

Un nuevo enfoque para entrenar modelos de lenguaje mejora la eficiencia y el rendimiento.

Nuevas ideas sobre cómo el contexto y la similitud afectan el rendimiento de los modelos de lenguaje.

Este estudio aborda los desafíos en modelos de lenguaje de audio para lenguas de pocos recursos.

El método GroupDebate reduce costos mientras mejora la precisión en las discusiones entre agentes.

Este estudio mejora los sistemas de reconocimiento de emociones para idiomas menos comunes usando datos de alto recurso.

Este estudio examina cómo los modelos de lenguaje crean títulos efectivos para trabajos de investigación a partir de resúmenes.

Este estudio examina la efectividad de los Autoencoders Sparse en entender las características de los modelos de lenguaje.

MQM-APE mejora la calidad de las evaluaciones de traducción automática a través de un análisis de errores avanzado.

Nuevas características mejoran la experiencia del usuario en la comprensión de pantallas e interacciones multilingües.

Un nuevo marco mejora la creación de prompts para modelos de lenguaje grandes.

BrainKing evalúa las habilidades de resolución de problemas de los modelos de lenguaje con información limitada.

Un nuevo método sigue el aprendizaje de los estudiantes a través de conversaciones con tutores de IA.

Este método permite que los modelos de lenguaje consideren resultados alternativos en la generación de texto.