Articoli più recenti per Elaborazione del linguaggio naturale

Un framework che unisce informazioni strutturali e semantiche migliora il completamento dei grafi di conoscenza.

KALE combina immagini con didascalie ricche per una comprensione migliore.

Il team di BeeManc ha usato modelli avanzati per semplificare testi medici complessi al PLABA-2024.

Usare modelli più piccoli per velocizzare l'addestramento di modelli linguistici più grandi.

Le strutture ad albero migliorano l'efficienza e l'organizzazione dei modelli linguistici.

Un modo nuovo per rendere i modelli linguistici più leggeri senza perdere performance.

EVQAScore migliora l'evaluation del QA video in modo efficiente ed efficace.

Questo studio esamina come i grandi modelli linguistici possano comportarsi male e essere manipolati.

Gli scienziati mescolano dati delle serie temporali con testi per migliorare le previsioni del tempo.

Esplorare le capacità e le sfide della tecnologia Transformer nella comprensione del linguaggio.

Un nuovo approccio migliora l'efficienza dei modelli linguistici attivando esperti in modo più intelligente.

Un nuovo metodo migliora la classificazione del testo usando suggerimenti simili al codice.

I ricercatori esplorano come avere più punti di vista migliori la comprensione dell'IA sulle opinioni umane.

Scopri come il Dynamic Subset Tuning migliora l'efficienza dell'allenamento dei modelli di intelligenza artificiale.

STEP migliora le capacità di pianificazione degli agenti linguistici attraverso una memoria strutturata e gestione dei compiti.

I ricercatori affrontano il problema delle imprecisioni nei modelli linguistici.

Il SAM-Decoding migliora l'efficienza nella generazione di testi nei modelli di linguaggio.

Un nuovo metodo migliora le abilità di ragionamento nei modelli linguistici usando l'ottimizzazione delle preferenze.

Un nuovo metodo migliora la capacità delle macchine di rilevare i confini delle parole nel parlato.

Scopri come il TDA migliora la comprensione nell'analisi del linguaggio.

La ricerca rivela come i Transformer gestiscono la memorizzazione nei compiti di linguaggio.

La ricerca usa user-agent per valutare i sistemi di dialogo orientati ai compiti.

Llava mescola testo e immagini per migliorare le risposte alle domande.

HNCSE migliora la comprensione del linguaggio informatico usando campioni negativi difficili.

Uno sguardo a come i LLM elaborano il linguaggio attraverso tecniche di ragionamento.

Scopri il modello Mamba 1-bit super efficiente per l'elaborazione del linguaggio.

Scopri come il ranking a coppie aiuta a scegliere il miglior modello di linguaggio.

L'autoattenzione selettiva migliora la comprensione del linguaggio concentrandosi sulle informazioni chiave.

Un nuovo approccio migliora il modo in cui etichettiamo i dati sequenziali.

I dataset RedPajama puntano a migliorare l'addestramento dei modelli linguistici attraverso trasparenza e dati di qualità.

Una chiara suddivisione dei componenti del modello linguistico e dei loro ruoli.

AEN offre una classificazione del testo efficiente con basse richieste di elaborazione.

Scopri come AnchorAttention migliora l'efficienza nel gestire testi lunghi con i modelli di linguaggio.

Uno sguardo più da vicino a come il decoding speculativo migliora le prestazioni dei modelli di linguaggio.

Uno sguardo a come i metodi di pooling influenzano BERT e GPT nell'analisi del sentiment.

Questo articolo parla di metodi efficaci per controllare le conoscenze nei sistemi RAG.

Scopri come l'augmentazione dei dati può migliorare i modelli NER in domini a bassa risorsa.

Capire come i grafi della conoscenza possono ridurre le informazioni false nelle risposte dell'IA.

La ricerca mostra che domande strane possono migliorare l'addestramento dei modelli di linguaggio.

I compiti di NLI sono ancora rilevanti per testare i modelli di linguaggio grandi?