Articoli più recenti per Elaborazione del linguaggio naturale

Un nuovo modo per migliorare le prestazioni dei modelli NLP su dati mai visti prima.

Esplorando modi per migliorare il ragionamento degli LLM senza feedback esterno.

Migliorare i modelli linguistici per risposte accurate e basate su prove.

Un nuovo framework per valutare la comprensione dei compiti di codice da parte dei LLM.

Questo documento analizza i vantaggi dell'attenzione multi-testa rispetto all'attenzione a testa singola nei compiti di machine learning.

SafeCoder migliora la sicurezza del codice generato dai modelli linguistici.

Un nuovo metodo valuta l'efficacia della modifica dei modelli nel generare testi più lunghi.

Un nuovo metodo migliora come i modelli di linguaggio raccolgono e usano le informazioni.

Ricerca su come i Transformers migliorano la generalizzazione per sequenze più lunghe in compiti di addizione.

Una panoramica sui trasformatori e il loro impatto sull'elaborazione dei dati.

Strategie per migliorare le performance del modello nonostante una distribuzione dei dati irregolare.

Un nuovo metodo per migliorare il comportamento dei modelli linguistici riducendo il bias e l'output tossico.

SyntaxShap migliora la comprensione delle previsioni dei modelli di linguaggio attraverso l'analisi sintattica.

SLEB semplifica gli LLM eliminando i blocchi transformer ridondanti, migliorando la velocità e l'efficienza.

Una panoramica dell'apprendimento in contesto e delle sue applicazioni pratiche attraverso il framework Pelican Soup.

Uno studio sulla affidabilità e l'incertezza nei grandi modelli linguistici.

Un nuovo approccio migliora l'apprendimento contrastivo attraverso misure di divergenza varie.

Questo articolo parla di un nuovo approccio per migliorare i modelli di generazione di testo usando la quantizzazione.

Uno sguardo approfondito sul perché i transformer fanno fatica con funzioni sensibili.

Questo studio descrive metodi per valutare la generazione di dialoghi attraverso la diversità e la qualità.

Studio rivela che i modelli linguistici faticano contro semplici manipolazioni di testo.

Questa ricerca esamina come i modelli linguistici rispondono a informazioni accurate rispetto a quelle false.

Il dataset TOAD migliora la comunicazione degli assistenti virtuali per interazioni migliori con gli utenti.

Un nuovo metodo per adattare i LLM senza dover etichettare a lungo.

Un nuovo sistema per valutare la correttezza delle risposte dell'IA con un giudizio simile a quello umano.

Questo studio analizza come i modelli linguistici adattano le loro previsioni utilizzando l'apprendimento in contesto.

Questo articolo parla di un metodo per migliorare i LLM usando feedback verbale senza fare generalizzazioni eccessive.

Uno sguardo su come i transformer brillano con dati non strutturati nei compiti di regressione.

Esplorare il futuro dell'elaborazione del linguaggio estrattivo usando modelli generativi.

Un nuovo approccio migliora la capacità dei modelli linguistici di trasformare sequenze nonostante i dati limitati.

LinkNER combina modelli NER e LLM per una migliore riconoscimento delle entità nominate.

Questa ricerca si concentra sul miglioramento dei modelli linguistici perfezionando il loro approccio alla negazione.

Un framework per migliorare la comprensione dell'astrazione da parte dei LLM.

Uno studio su come mescolare adattatori specifici per dominio per migliorare le prestazioni dell'IA.

Un nuovo metodo migliora la raccolta di dati per un migliore allineamento dei modelli linguistici.

Un nuovo approccio affronta il problema dei token persi e del padding nei modelli di machine learning.

Un nuovo modo per valutare i LLM attraverso benchmark adattabili.

Un nuovo metodo migliora l'estrazione di eventi usando tecniche di apprendimento rinforzato.

Questo articolo parla di un nuovo metodo per migliorare le prestazioni dei prompt per i modelli linguistici.

Un nuovo approccio per rendere i modelli linguistici più piccoli e veloci usando la quantizzazione a 1 bit.