Derniers articles pour Évaluation du modèle

Un nouveau benchmark pour évaluer les LLMs pour les tâches de programmation Java.

Cet article explore des stratégies pour améliorer la généralisation des modèles et comprendre le comportement du gradient.

Un kit d'outils pour évaluer la sécurité des modèles de langage avancés.

Cet article analyse la performance des modèles ajustés par rapport à l'IA générative dans les tâches de classification de texte.

Cet article examine comment les modèles de l'espace d'état visuel gèrent les défis visuels.

Un nouveau jeu de données évalue comment les LLM raisonnent avec plusieurs images.

Enquêter sur comment les prédictions des LLM s'alignent avec les choix humains en utilisant des modèles statistiques.

Une nouvelle suite de tests aide à évaluer les raccourcis de raisonnement dans l'intelligence artificielle.

Une étude évalue les modèles de langage sur leur capacité à gérer plusieurs tâches en même temps.

Une étude met en lumière les lacunes dans les capacités de raisonnement des LLM pour résoudre des problèmes de maths.

Une nouvelle méthode pour tester la sécurité des modèles de langage et leurs compétences multilingues.

Méthodes pour identifier des caractéristiques importantes dans des environnements de données de mauvaise qualité.

De nouvelles méthodes révèlent des défis pour désapprendre des connaissances des modèles de langage.

Une étude sur les processus de prise de décision des grands modèles de langage.

Un aperçu de comment la calibration influence les prédictions et la fiabilité des modèles.

Les modèles de langage à long contexte simplifient les tâches complexes et améliorent l'interaction avec l'IA.

Une méthode pour évaluer la connaissance du modèle à travers le traitement interne.

Examiner l'impact de la contamination des données sur la performance et l'évaluation des modèles de langue.

Cette étude révèle les limites des modèles de texte à image pour gérer les chiffres.

Une nouvelle métrique améliore l'évaluation des modèles de classification de texte dans différents domaines.

Une plongée profonde sur la façon dont les modèles de vision reconnaissent et représentent plusieurs objets.

Une étude sur l'efficacité des détecteurs OOD contre les exemples adverses.

Les recherches mettent en lumière les capacités d'apprentissage en contexte des grands modèles de langage.

Une étude qui met en avant l'importance des annotations complètes pour l'évaluation de la récupération.

Un nouveau référentiel met en avant les risques de biais erronés dans les modèles de langage multimodaux.

Enquête sur les retours détaillés pour les modèles texte-image et ses implications pratiques.

Nouveau benchmark évalue comment les modèles vidéo-langue gèrent efficacement les inexactitudes.

APIGen génère des ensembles de données diversifiés et de haute qualité pour les agents d'appel de fonctions.

Une nouvelle méthode pour détecter les biais dans l'entraînement des modèles linguistiques.

Le modèle SAVE améliore la segmentation audio-visuelle avec efficacité et précision.

Une nouvelle approche pour évaluer la précision du modèle sans étiquettes pendant les changements de données.

Aperçus sur les défis de l'apprentissage automatique pour prédire les propriétés des matériaux.

Nouveau repère améliore l'évaluation des modèles multimodaux en minimisant les biais.

Cette étude examine comment les données visuelles et textuelles influencent la performance des modèles.

CD-T améliore la compréhension des modèles de transformateur, renforçant l'interprétation et la confiance.

Un nouveau référentiel évalue le biais de genre dans les modèles d'IA liés aux postes de travail.

Examiner les vulnérabilités des attaques par backdoor clean-label et comment les bornes de généralisation peuvent aider.

Un nouvel outil pour tester les modèles de langue dans des environnements bruyants.

Une nouvelle approche pour évaluer les modèles de ML en se concentrant sur la préparation des données.

La recherche évalue la stabilité des méthodes XAI en utilisant un ensemble de données sur le diabète.