Devanagari
PulseAugur coverage of Devanagari — every cluster mentioning Devanagari across labs, papers, and developer communities, ranked by signal.
2 天有情绪数据
-
尼泊尔表情包分类系统在CHiPSAL 2026上获得高排名
研究人员开发了一个新颖的尼泊尔表情包分类系统，在CHiPSAL 2026的仇恨言论检测共享任务中获得第二名，在情感分析任务中获得第四名。他们的方法利用了Qwen3-VL-8B-Instruct视觉语言模型，该模型原生支持天城文，无需单独的OCR和翻译步骤。该系统采用两阶段训练过程，包括LoRA微调和对比骨干微调，并采用过采样和Focal Loss等策略来管理类别不平衡。该方法证明了大型视觉语言模型在低资源语言上的有效适配。
-
紧凑型AI模型实现梵文识别基准饱和
研究人员开发了一种名为Barnamala的高度高效卷积神经网络，用于识别手写梵文。该紧凑型模型仅拥有111万个参数，在DHCD数据集上达到了99.73%的基准饱和准确率，在模型大小和效率方面显著优于更大的模型。Barnamala在CMATERdb数据集上还表现出强大的零样本性能，并且与更大的模型相比，在数据损坏方面具有更强的鲁棒性。
-
尼泊尔车牌识别系统准确率达93%
研究人员开发了一种新的自动车牌识别（ANPR）系统，专门针对使用天城文（Devanagari script）的尼泊尔车牌。该系统采用了一个流程，首先使用基于YOLO的模型来检测车牌和字符，然后使用在34个天城文字符上训练的卷积神经网络（CNN）分类器。这种方法达到了高达93%的识别准确率，证明了其在实际条件下的有效性，并为尼泊尔的交通管理提供了可扩展的解决方案。
-
AI模型难以处理梵文OCR，新基准测试揭示
一项新的基准研究评估了十种OCR系统的性能，包括专门的OCR-VLMs和前沿的多模态LLMs，在梵文上的表现。研究发现，虽然许多系统在干净的合成文本上表现良好，但在退化条件和真实世界扫描上的性能会显著下降。专门的OCR-VLMs尤其脆弱，DeepSeek-OCR出现了灾难性的重复失败。值得注意的是，在英语OCR上的强劲表现与在印度语言脚本上的表现并不相关，GPT-5.5等模型出现了大幅下降。
-
新基准衡量果阿身份群体的刻板印象偏见
研究人员推出了 AmchiBias，这是一个旨在衡量果阿身份群体内刻板印象偏见的新型基准，使用了英语和孔卡尼语的最小对数据集。该基准评估了五个多语言编码器模型，结果显示，虽然模型在用英语查询时对泛印度群体表现出高度偏见，但在孔卡尼语中的表现接近随机，表明其对超本地身份缺乏语言和文化能力。这项工作突显了低资源多语言自然语言处理评估在特定社区身份方面存在的重大差距。