Articoli più recenti per Elaborazione del linguaggio naturale

Un nuovo metodo usa domande per identificare i ruoli degli eventi nei documenti.

Scopri come i nuovi metodi migliorano le connessioni visive e testuali dei modelli.

Uno studio su come adattare i LLM per una generazione efficace di note cliniche.

I modelli linguistici piccoli possono migliorare il ragionamento attraverso critiche generate da sé.

Questo articolo parla di come i transformer imparano la struttura del linguaggio tramite i metodi di allenamento.

Un robusto corpus giapponese creato dai dati di Common Crawl migliora le performance dei LLM.

Un nuovo parser migliora l'elaborazione del linguaggio attraverso metodi ispirati al cervello.

Trasformare un dataset MCQA per domande estrattive in più lingue.

Migliorare i modelli linguistici giapponesi usando conoscenze in inglese fa aumentare parecchio le performance.

Un nuovo metodo migliora gli autoencoder per una migliore rappresentazione dei dati.

Il nuovo modulo QASE migliora l'accuratezza nei compiti di comprensione del testo da parte delle macchine.

Presentiamo il dataset ViOCRVQA per migliorare le risposte alle domande visive in vietnamita.

I ricercatori affrontano le variazioni ortografiche per migliorare le prestazioni del NLP nel pidgin nigeriano.

Llip migliora il modo in cui le immagini vengono abbinate a diverse descrizioni testuali.

Questa ricerca mostra come LoRA migliora le prestazioni dei modelli di linguaggio su compiti specifici.

Uno sguardo conciso sulle allucinazioni nei MLLM e strategie per migliorare l'affidabilità.

Un nuovo benchmark valuta la comprensione della competenza linguistica da parte dei modelli di linguaggio.

Un'analisi di come i modelli di linguaggio determinano la verità delle affermazioni.

Nuove metriche migliorano la valutazione dei sistemi di estrazione delle informazioni nei documenti scritti a mano.

Uno studio che confronta i metodi di Attribuzione per Istanza e Neurone nei modelli di linguaggio.

Uno studio svela informazioni sul bilanciamento tra input visivi e testuali nei VLM.

L'ottimizzazione delle preferenze soft migliora il modo in cui i modelli di linguaggio si allineano con le preferenze umane.

Un framework per migliorare l'accuratezza del ragionamento nei LLM attraverso una verifica strutturata.

Adapt-LLM migliora le prestazioni degli LLM bilanciando le conoscenze interne e le informazioni esterne.

Un nuovo modello migliora l'accuratezza delle traduzioni prevedendo le caratteristiche di coreferenza.

Questo framework migliora il modo in cui i sistemi apprendono i gusti degli utenti tramite la conversazione.

Un nuovo metodo migliora il ragionamento nei modelli linguistici più piccoli per compiti complessi.

Un nuovo metodo migliora il ragionamento nei modelli linguistici tramite un'apprendimento delle preferenze efficace.

Scopri come RST-LoRA migliora il riassunto usando la Teoria della Struttura Retorica.

Scopri come il Contesto Direzionale migliora le risposte del modello linguistico grazie a un uso del contesto adattabile.

Questo articolo esamina i pregiudizi e le incoerenze nelle valutazioni dei LLM e suggerisce metodi di miglioramento.

Un nuovo metodo che bilancia la privacy e la qualità del testo nei modelli linguistici.

Un nuovo approccio migliora l'allineamento dei modelli linguistici con le preferenze umane.

Un'analisi di come la Rappresentazione del Significato Astratto influisce sulle prestazioni dei LLM in vari compiti.

Questo articolo esplora l'apprendimento in contesto e la sua connessione con il recupero dell'informazione.

COPAL migliora i modelli di linguaggio per una migliore adattamento senza dover essere riaddestrati.

Metodo innovativo combina modelli linguistici e input umano per dataset di dialogo.

Ricerche recenti mettono in discussione la semplicità della Teoria del Neurone della Conoscenza nei modelli di linguaggio.

Un nuovo metodo migliora i modelli visione-linguaggio senza una formazione complicata.

Idefics2 mostra dei miglioramenti nel processamento visione-lingua grazie a scelte di design innovative.