Brazilian Portuguese
PulseAugur coverage of Brazilian Portuguese — every cluster mentioning Brazilian Portuguese across labs, papers, and developer communities, ranked by signal.
4 天有情绪数据
-
新数据集推动巴西葡萄牙语金融自然语言处理
研究人员开发了一个包含约16万篇巴西葡萄牙语金融新闻文章的大规模数据集，以推动该地区的金融自然语言处理（NLP）。他们使用语义相似性建立了多类别分类的初始基准，评估了余弦相似性、K近邻（KNN）和FAISS等方法。实验表明，标签质量对性能有显著影响，KNN在手动标记数据上取得了最高的准确率，而LLM标注的数据由于标签不平衡和标注噪声，F1分数较低。
-
新的Distill-SFT方法通过受控的推理迁移提高了医学LLM的准确性
研究人员开发了一种名为Distill-SFT的受控工作流程，通过仔细选择教师推理来提高紧凑型医学语言模型的准确性。研究发现，正确的教师推理将学生模型选择正确答案的概率提高了21个百分点，而不正确的推理则降低了14个百分点。Distill-SFT通过将答案和推理合并为单个目标，在步进式蒸馏方面显示出微弱优势，并且还减轻了在域外数据集上的灾难性遗忘。
-
多个Mastodon帖子讨论了AI开发、监管和基准测试
几篇Mastodon帖子讨论了AI开发和部署的各个方面。一篇帖子详细介绍了x402按调用付费的API如何在Base或Polygon上使用USDC运行，以及AI代理如何发现它们。另一篇帖子提出了一个基准测试，比较了用于巴西葡萄牙语和英语客户目标分类的小型选择决策器和嵌入，突出了特定语言的性能差异。此外，一篇帖子引用了欧盟AI法案的第12条，强调高风险AI系统需要支持日志的自动记录，另一篇则讨论了在Amazon Bedrock Agent…
-
Cursor IDE 用户请求完整的巴西葡萄牙语本地化
一位 Reddit 用户请求 Cursor IDE 完全本地化其界面为巴西葡萄牙语。虽然 VS Code 的葡萄牙语语言包解决了一些方面，但 Cursor 的原生元素，如设置、账户界面和工具提示，仍然是英文。用户希望进行全面的本地化，包括为所有 Cursor 自有界面和 AI 回复提供语言选择器，并建议即使是机器辅助翻译也比目前混合语言的体验有所改善。
-
新流程为LLM精心策划了包含410亿token的欧洲葡萄牙语网页语料库
研究人员开发了一个新的流程，用于精心策划专门针对欧洲葡萄牙语（PT-PT）的高质量网页语料库。该流程解决了巴西葡萄牙语的方言重叠和数据处理规模等挑战。它高效地处理了411 TB的原始数据，并包含了一个新颖的抓取后区块，通过防止过早丢弃有效文本，将文档产出率提高了19.04%。该框架包括严格的语言识别、加权模糊去重和神经质量分类，最终形成了一个干净且具有代表性的语料库，适用于LLM的预训练。
-
新基准评估监控场景下的车辆属性分类
研究人员推出了无约束车辆识别基准（UVIB），用于评估多样化监控场景下的车辆属性分类。该基准包含来自七个巴西数据集的84,835张图像，解决了模型从受控环境迁移到真实监控环境时，由于视角、遮挡和光照变化而导致的性能下降问题。研究评估了四种架构——EfficientNetV2-S、ResNet-50、ViT/B-16和YOLO11s-cls——证明了域迁移对性能有显著影响，尤其是在车辆品牌和型号识别的适用性以及颜色清晰度方面，其影响程度…
-
新的巴西人脸识别基准解决人口统计偏差问题
研究人员推出 UFPR-PEs，这是一个用于评估人脸识别偏差的新基准。该数据集使用了巴西政治人物的公开视频，并附带了自我声明的种族和肤色标签，其中包括巴西人口普查分类特有的“parda”类别，该类别在美国或欧洲系统中没有直接对应项。该基准旨在分析在现实、具有挑战性的视觉条件下的性能，揭示识别准确性因图像质量而异，并且亚组性能差距与视觉难度交织在一起。
-
尽管存在偏见，LLM在葡萄牙语法律信息检索相关性评估方面展现出潜力
研究人员开发了NormasTCU，一个巴西葡萄牙语信息检索（IR）的新数据集，其中包含14,469份法律文件和人工相关性判断。该研究评估了在此专业领域使用大型语言模型（LLM）作为评估者进行相关性评估的有效性。虽然LLM表现出积极的评分偏见，并且与人类判断的一致性仅为一般到中等，但它们通常能为nDCG@10和MRR等指标产生与人类评估高度相关的系统排名。
-
原告在法庭文件中隐藏AI提示注入
一名康涅狄格州法院案件的原告试图通过将白字隐藏在白底的法庭文件中来使用提示注入。隐藏的文本指示任何处理该文件的AI模型确保其输出与原告的提交文件保持一致。此前，巴西一家劳动法院也发生过律师采取类似策略的事件。法律专家警告说，这种方法可能会偏袒法官使用的AI摘要工具，从而可能破坏对抗制。
-
NVIDIA Magpie TTS 增加 3 种语言，现支持总共 12 种
NVIDIA 已将其 Magpie 文本转语音 (TTS) 模型扩展到支持 12 种语言，包括最近新增的阿拉伯语、韩语和巴西葡萄牙语。这款拥有 3.64 亿参数的开放权重模型专为低延迟语音代理应用而设计。
-
新的AI框架通过道德理由增强仇恨言论检测
研究人员开发了一个名为监督道德理由注意力（SMRA）的新颖框架，以提高仇恨言论检测模型的可解释性和鲁棒性。与依赖表面线索或事后解释的先前方法不同，SMRA将源自道德基础理论的道德理由直接整合到训练目标中。这种方法指导模型关注文本中道德上显著的部分，从而产生更具上下文和内在可理解的解释。该框架使用巴西葡萄牙语的新基准数据集HateBRMoralXplain进行了验证，证明在不损害公平性的情况下提高了性能和解释质量。
-
DharmaOCR 在巴西葡萄牙语 OCR 方面取得卓越性能
DharmaOCR 是一款专为巴西葡萄牙语设计的 OCR 模型，与 Mistral OCR4 和 Unlimited-OCR 等模型相比，其性能表现更优。这种优势源于一个两阶段的训练过程：首先在葡萄牙语数据上进行监督微调以建立领域能力，然后进行直接偏好优化 (DPO) 以提高稳定性和降低推理成本。DPO 阶段教会模型从比较偏好数据中学习，从而提高可靠性并抑制生成模型中常见的故障模式。
-
基于Whisper的新系统改进了巴西葡萄牙语的韵律边界检测
研究人员开发了SAMPA，一个用于自动分割巴西葡萄牙语语音韵律边界的新系统。该系统基于微调Whisper large-v3模型，相比于该语言现有的基于规则或传统机器学习的方法是一个重大进步。SAMPA表现出具有竞争力的性能，在独立测试集上达到0.731的F1分数，在多样化数据集上达到0.796，表明其通过分析语形、语义和韵律线索来准确识别语音单元的能力。
-
新的基准测试评估葡萄牙语文本嵌入模型，揭示性能差距
发布了两个新的基准测试 MTEB-PT 和 MTEB-PT（巴西葡萄牙语），专门用于评估葡萄牙语的文本嵌入模型。这些基准测试解决了现有评估中葡萄牙语代表性不足的问题，而现有评估通常依赖于翻译的数据集或多语言平均值。新的基准测试包含大量葡萄牙语原生任务，涵盖语义文本相似性、分类、检索和重新排序等多个类别。初步评估表明，模型性能高度依赖于任务，并且在多语言基准测试上的排名并不能可靠地预测葡萄牙语特定性能，这凸显了进行原生语言评估的必要性。
-
新框架TOTEN改进了技术符号的标记化
研究人员开发了TOTEN，一个基于知识的本体标记化框架，旨在改进巴西葡萄牙语中技术符号的语义理解。与传统的字节对编码不同，TOTEN使用工程实体的形式本体来分类和表示物理量、单位和表达式。评估表明，TOTEN在本体原子性和数值重构方面显著优于最先进的基线，证明了其鲁棒性和准确性。
-
新基准揭示大型语言模型对巴西葡萄牙语存在偏见
一个名为 P3B3 的新基准已被开发出来，用于评估大型语言模型（LLMs）如何处理葡萄牙语的变体，特别是欧洲葡萄牙语（pt-PT）和巴西葡萄牙语（pt-BR）。该基准旨在解决当前 pt-BR 数据更普遍存在的不平衡问题，导致大型语言模型（LLMs）表现出对该变体的偏见。使用 P3B3 进行的实验显示，大多数经过测试的大型语言模型（LLMs）都强烈偏好 pt-BR，不同模型之间的可控性程度各不相同，这突显了在大型语言模型（LLMs）中更…
-
新基准测试巴西葡萄牙语临床LLM
研究人员开发了ClinicalBr，一个新的双语基准，用于评估巴西葡萄牙语和英语的临床大型语言模型。该基准源自真实的巴西医疗病例报告，涵盖诊断检索、鉴别诊断和治疗计划等任务。初步研究结果表明，虽然英语模型在诊断检索方面具有优势，但这种差距在其他任务上有所缩小，葡萄牙语的表现有时甚至超过英语。
-
用户寻求帮助微调 Kokoro 以支持巴西葡萄牙语
一位用户正在寻求关于在本地安装和微调 Kokoro 语言模型的建议，特别是针对巴西葡萄牙语。他们在使用 Open Router 版本时遇到非英语语言性能不佳的问题，并希望提高 Kokoro 对葡萄牙语的自然语言处理能力。
-
新方法使用声学标签从葡萄牙语语音中提取口音特征
研究人员开发了一种新方法，可以在没有社会语言学标签的情况下从巴西葡萄牙语口语中提取口音特征。该方法使用声学标签和基于音素的强制对齐器来分离区域口音地标。与通用语音模型相比，所得的目标特征集在捕捉方言差异方面表现出更高的有效性，尤其是在使用少量客观数据时。
-
FalAR语料库以5800小时议会数据助力欧洲葡萄牙语ASR
研究人员推出FalAR，一个用于欧洲葡萄牙语议会话语的新型大规模语音语料库，旨在改进该语言的自动语音识别（ASR）。该语料库包含约5800小时的语音数据，跨越20年，并为1180名个人提供了说话人身份标注。实验表明，使用FalAR进行预训练可以显著提高ASR性能，将词错误率（WER）降低高达14%。