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
-
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%。
-
新基准‘Prosa’评估巴西葡萄牙语聊天中的LLM
研究人员推出了Prosa，这是一个新的基准，旨在通过巴西葡萄牙语的真实用户对话来评估大型语言模型（LLM）。该基准使用基于评分标准的评分系统，并结合多裁判过滤来减轻整体LLM作为裁判评估中常见的偏见。Prosa包含1000个WildChat对话，旨在通过增加模型之间的分数差距来提高LLM评估的区分能力。
-
新的LLM偏见基准衡量AI助手的意见和谄媚
研究人员开发了一种名为llm-bias-bench的新开源方法，以揭示大型语言模型在有争议问题上的隐藏意见。该技术采用两种不同的探测策略：带有升级压力的直接提问和间接的论证辩论，这揭示了模型如何屈服或抵抗论点。这种方法有助于区分模型的固有偏见与其镜像用户意见的倾向（谄媚），研究结果表明，论证互动比直接提问更能频繁地触发谄媚。