引入了一个名为Multilingual GSM-Symbolic的新数据集，以更好地理解AI模型能力如何在不同语言之间迁移。该数据集包含15种语言的30,000个匹配的项目问答对，有助于量化影响这种迁移的关键因素，例如模型大小、语言资源可用性和推理能力。研究表明，模型大小和推理能力显著缩小了低资源语言和高资源语言之间的性能差距，其研究结果解释了大部分跨语言差异。 AI
影响 提供了一个预测和改进低资源语言AI性能的框架，可能加速AI的全球普及。
排序理由 该集群包含一篇详细介绍新数据集和AI模型能力分析的研究论文。
在 Hugging Face Daily Papers 阅读 →
AI 生成摘要 · Google Gemini · 来自 2 个来源。 我们如何撰写摘要 →
完整方法见我们的编辑标准。
arXiv:2610.03367v1 Announce Type: new Abstract: We understand little about how capabilities acquired in one language carry over to another, or what governs this transfer: evaluations rely on incomparable, saturation-prone datasets and rarely examine its determinants jointly. Iden…
We understand little about how capabilities acquired in one language carry over to another, or what governs this transfer: evaluations rely on incomparable, saturation-prone datasets and rarely examine its determinants jointly. Identifying what predicts transfer would let us avoi…