Estonian
PulseAugur coverage of Estonian — every cluster mentioning Estonian across labs, papers, and developer communities, ranked by signal.
3 天有情绪数据
-
ESTS在WMT26上使用GPT-OSS-20B和GPT-5.1进行模型压缩的细节
ESTS的研究人员详细介绍了他们提交给WMT26模型压缩共享任务的工作，重点关注英译简中和英译埃及阿拉伯语的翻译。他们的方法包括根据特定任务的路由质量和跨语言路由发散度从GPT-OSS-20B中剪枝专家，然后使用GPT-5.1生成的合成数据对剩余的专家进行微调。通过对保留的专家权重使用MXFP4量化实现进一步压缩，模型参数量在4.186B到7.770B之间。
-
ChatGPT推荐受查询语言影响，而非地理位置
一项关于ChatGPT商业推荐的研究发现，查询语言而非退出IP位置，主要决定了是否会推荐本地供应商。该研究跨越多种语言和国家进行，结果显示，首个推荐不稳定，即使输入相同也会发生变化。此外，语言和地理位置是可分离的因素，语言影响品牌名称的市场，而地理位置则影响该市场内推荐的具体产品。
-
新方法提升了多语言大模型中的爱沙尼亚语能力
研究人员开发了EstLLM，一种用于增强多语言大语言模型（LLMs）在爱沙尼亚语方面性能的方法。通过对Llama 3.1 8B和Apertus 8B等基础模型应用包含丰富爱沙尼亚语数据的持续预训练，随后进行后训练对齐，他们观察到爱沙尼亚语能力、推理和翻译方面有了显著提升。研究发现，尽管Apertus最初在爱沙尼亚语方面能力更强，但Llama在适应后取得了更大的进步，证明了这种方法对较小语种的有效性。
-
Transformer模型解决开放式车间调度问题
研究人员开发了一种新的方法，使用基于Transformer的深度强化学习方法来解决开放式车间调度问题（OSSP）。该模型在较小的基准实例上进行训练，能够泛化到显著更大的问题而无需重新训练。基于Transformer的策略提供了一种基于学习的替代传统调度规则的方法，在性能上可与EST等成熟启发式算法相媲美，并在大规模实例上优于SPT和LPT。
-
创建爱沙尼亚主观性数据集，测试LLM评分
研究人员开发了一个新的爱沙尼亚语文档级主观性分析数据集，包含1000篇文本，评分范围从0到100。使用该数据集进行的初步实验显示，人类评分者之间的一致性适中，促使对分歧评分进行了重新标注。一项使用GPT-5进行自动主观性评分的实验表明其可行性，但也突显了与人类标注的差异，暗示基于LLM的评分不能直接替代人类判断。
-
爱沙尼亚基准测试揭示 Claude 的宣传抵抗能力
爱沙尼亚语言研究所 (EKI) 开发了一个新的基准来评估大型语言模型在爱沙尼亚语中的表现。该基准不仅评估语言熟练度和推理能力，还评估事实准确性和抵抗宣传的能力。值得注意的是，Claude 表现出强大的抵抗宣传能力，这表明在英语方面表现出色的模型在较小语言环境中可能会 falter。
-
New KD method improves dead tree detection in diverse forests
研究人员开发了一种新的方法，利用知识蒸馏（KD）在航空影像中检测枯死的树木，以提高模型在不同森林类型上的泛化能力。最初在芬兰数据上训练的TreeMort-1T-UNet模型被改编用于波兰、德国和爱沙尼亚的数据集。事实证明，特征级KD方法最有效，在波兰数据上实现了0.106的平均树木IoU和0.63的实例F1分数，同时还展示了强大的表征不变性。