Hindi
PulseAugur coverage of Hindi — every cluster mentioning Hindi across labs, papers, and developer communities, ranked by signal.
9 天有情绪数据
-
SHADOW AI 提出紧凑型混合架构以实现多语言智能
Black Shadow Team 提出了一个名为 SHADOW AI 的新实验性 AI 架构，旨在以比当前大型语言模型更紧凑的设计实现多语言语言理解和推理。这种混合神经符号方法将信息分离为字节、语义、符号和结构表示，从而实现神经学习和结构化推理之间的协作。SHADOW AI 强调语言独立性、符号意识、内部动态状态、模块化推理和紧凑的架构，目标是减少计算需求和外部检索依赖。
-
新测试显示大型语言模型难以处理混合语言提示
一种名为多语言干扰（MDI）的新评估协议已被开发出来，用于评估大型语言模型如何处理包含不相关外语句子的提示。当在 Llama-3.1-8B 模型上使用印地语干扰进行测试时，该模型经常切换到梵文书写系统，尽管在精确匹配评分中这看起来像是幻觉，但通常保留了语义的正确性。其他模型在面对这种多语言干扰时倾向于不作答。该研究强调了在评估多语言大型语言模型可靠性时，区分脚本切换和语义错误的重要性，尤其是在检索增强生成等应用中。
-
新框架 M-SQE 增强了 AI 代理技能中的语言平等性
研究人员开发了 M-SQE，这是一个旨在改进语言模型代理所使用的技能的质量评估框架，特别是在低资源语言方面。目前代理技能的生态系统严重偏向英语，导致用户以斯瓦希里语或印地语等语言查询时性能不佳。M-SQE 通过根据技能的内在质量和特定任务的效用进行评估来解决这一问题，显著提高了更广泛的语言和文化背景下的检索准确率和召回率。
-
Amazon在印度推出支持印地语的增强版Alexa+
Amazon已在印度推出其增强型对话助手Alexa+，并提供印地语支持。此增强版旨在实现更长、更具上下文感知能力的对话，并能处理复杂的多步任务。Alexa+最初将对印地语和英语用户提供早期访问权限，在测试阶段结束后，非Prime用户将转为订阅模式。该助手已集成到包括电子商务、食品配送、旅行和音乐平台在内的各种印度服务中，旨在吸引印度庞大的印地语使用者群体。
-
自动印地语 QNLP 超级标记减轻了手动注释负担
研究人员开发了一种自动超级标记方法，用于印地语量子自然语言处理 (QNLP)，以解决语法类型分配所需的手动工作。该方法将印地语预群超级标记视为一个标记级别分类任务，利用了 380 个句子的手动注释语料库。结果表明，在低资源环境下，简单的词汇和上下文模型表现强劲，上下文回退达到了 64.56% 的准确率。基于提示的方法与 Qwen2.5 表现较差，但词汇修复将 LLM 辅助预测提高到 64.08%，这凸显了将符号语法知识与生成模型相结合的好处。
-
强制英语的LLM通信会带来显著的性能损耗
一篇新的研究论文调查了强制多代理LLM通信通过英语（即使是非英语任务）所带来的性能影响。研究发现，与母语管道相比，在印地语等语言中，显著的“强制英语税”会将准确率降低多达30.6个百分点。这表明，通过母语进行代理间通信可以提高性能，尤其是在类型学上差异较大的语言中，从而减轻翻译损失。
-
研究发现：梵语分词惩罚高于英语
一项新的研究论文调查了现代语言模型处理梵语与英语和印地语相比的分词效率。研究发现，与英语相比，梵语每单位含义所需的Token数量明显更多，尤其是在使用具有大型词汇表的已部署分词器时。然而，与印地语相比，梵语的分词惩罚有所降低，并且随着词汇量的增大，差距进一步缩小。研究表明，虽然梵语的每词信息密度很高，但其复杂的形态学在实际应用中会导致每条命题的Token数量更高。
-
新的IndicTriMix方法改进了混合语文本中的语言识别
研究人员开发了一种名为IndicTriMix的新方法，用于识别混合语文本中的语言，这种文本在社交媒体上很常见。该方法将语言识别视为一个序列标注问题，并对MuRIL和XLM-RoBERTa等基于Transformer的模型进行微调。该系统在涉及印地语、古吉拉特语和孟加拉语的数据集上进行了评估，证明了在标记级别预测语言标签的有效性。该团队还发布了微调模型和基准数据集，以支持该领域的未来研究。
-
Transformer 在多语言可读性评估中模仿传统模型
研究人员分析了基于 Transformer 的模型和基于传统特征的模型在多语言可读性评估方面的处理方式。他们发现，虽然 Transformer 模型取得了高准确率，但其内部特征表示在阿拉伯语、英语、法语、印地语和俄语等多种语言上与传统模型一致。这种一致性延伸到表面、句法和词汇特征，以及欧洲语言共同参考框架的序数结构。然而，一致性的程度因模型家族、语言和所检查的具体层而异。
-
AI认知筛查模型对多语种使用者存在显著偏见
arXiv上发表的一项新研究发现，用于基于语音的认知筛查的AI模型存在显著的假阳性偏差，尤其影响英国的多语种人群。研究发现，与单语英语使用者相比，包括Whisper、Wav2Vec 2.0和NeMo在内的模型将多语种使用者错误地标记为认知障碍的可能性高出约2.5倍。这种偏差在记忆、流畅性和阅读任务中更为明显，并且在模型使用DementiaBank等现有数据集进行训练时会加剧，这凸显了在医疗保健领域公平部署AI的迫切需求。
-
AssemblyAI 为实时语码转换的多语种发言者推出实时转录
AssemblyAI 推出了 Universal-3.5 Pro Realtime，这是一款能够处理在句子中进行语码转换的多语种发言者的新转录模型。与使用单独的语言检测和路由的传统系统不同，该模型在一次前向传递中处理 18 种语言，从而降低了混合语言对话的延迟并提高了准确性。这一进步对于双语客户电话和语言频繁混合的国际会议等场景特别有益。
-
新的MMTClinic基准测试LLM在多语言临床时间序列数据上的表现
研究人员推出了MMTClinic，这是一个旨在评估大型语言模型（LLM）在临床时间序列数据上表现的新基准。该基准包含文本、医学影像和生理信号，涵盖五种语言（英语、印地语、孟加拉语、马拉地语和泰米尔语）的30,000个问答对。MMTClinic旨在评估LLM在关键临床任务上的能力，如死亡率预测、心率预测和SOFA评分估算，评估结果显示模型、语言和数据模态之间存在显著的性能差异。
-
新的基准测试评估AI对模因中文化背景的理解能力
研究人员开发了两个新的基准测试MemeCULT-1K和MemeBridge，以评估和改进多模态模型对文化背景和幽默感的理解。MemeCULT-1K专注于孟加拉语、英语和印地语的南亚模因，研究表明，虽然提供文化背景可以提高各种模型的性能，但开源模型在更广泛的文化知识差距方面挣扎得更厉害。MemeBridge解决了模因解读中的双向文化差距，特别从中国和美国的视角考察了美国模因，并证明使用该数据集进行微调可以提高LLM在跨文化理解方面的性能。
-
新基准揭示大型语言模型在印度语言和翻译机制方面存在困难 · 跟踪3个来源
研究人员开发了VakyArth，这是一个新的基准，旨在评估大型语言模型（LLMs）在印地语、旁遮普语、泰米尔语和马拉雅拉姆语等印度语言中的语用能力。初步研究结果显示，在解释这些语言中通过上下文和文化习俗暗示的含义时，大型语言模型存在持续的失败，并且在不同语言和任务中的表现差异很大。此外，另一项独立研究对多语言大型语言模型中“潜在语言”的解释提出了质疑，认为当前的探测可能揭示了多语言处理的不同方面，而不是单一的内部通用语。另一篇论文提出…
-
新基准评估印地语、泰卢固语和泰米尔语中的 AI 生成文本检测
研究人员推出了 IndicDetect，这是一个旨在评估 AI 生成文本检测模型在印地语、泰卢固语和泰米尔语中有效性的新基准。该基准旨在评估检测器在真实世界分布变化（包括领域、生成器和对抗性扰动）下的鲁棒性。研究结果表明，虽然监督式神经网络检测器在分布内数据上表现良好，但在看不见的生成器和对抗性攻击下，无训练方法性能会显著下降，其中印地语的性能下降最为明显。
-
研究表明，AI模型在非英语语言中会悄无声息地失效
尽管AI模型通过了英语测试，但它们在非英语语言中的表现往往不佳。研究表明，在斯瓦希里语、藏语和阿拉伯语等语言中，准确率显著下降，GPT-4和Qwen 2.5-72B等模型表现出大幅度性能下降。这个问题源于训练集中非英语数据有限，以及某些语言更高的标记化成本，这可能使部署成本增加三倍并减小有效上下文窗口大小。由于这些模型会提供流畅但错误的回答，公司面临着悄无声息的失效风险，因此需要针对多语言部署进行母语评估集和前期定价。
-
梵语TTS系统Vāgdhenu将格律感知的诗句转换为吟唱
研究人员开发了Vāgdhenu，一个新颖的文本到语音系统，旨在将梵语诗句转换为高保真度的吟唱诵读。该系统利用现有的TTS骨干和神经声码器，并增强了梵语语音学和格律感知的专用组件。该项目的一个关键发现是，在选定的骨干中，文本侧韵律条件化在架构上是惰性的，而语音引导和参考片段是有效的韵律控制。Vāgdhenu已被部署在两个重要的项目中：一个包含超过5000句的视频语料库和一个包含约18000句的音频应用程序，并已发布相关的代码和数据。
-
新方法仅使用视觉基础将英语单词映射到印地语语音
研究人员开发了一种新颖的方法，仅使用视觉基础将书面英语关键词映射到其印地语口语对应词。该方法通过利用自监督语音表示和对齐技术，绕过了对转录或显式模型训练的需求。该系统自动从图像中提取英语标签，并将其与印地语语音字幕对齐，识别目标词的重复语音片段。实验表明，这种基于对齐的方法在关键词识别和定位方面优于以前的基于注意力机制的神经网络模型，展示了在低资源场景下进行跨语言语音映射的潜力。
-
New Corpus and Transformer Model Detect Metaphors in Hindi Legal Texts
研究人员开发了一种检测印地语法律文件中隐喻的新方法，由于缺乏低资源语言的标注数据，这项任务以前未被解决。他们使用 MIPVU 模式标注了印地语法律数据语料库 (HLDC) 的判决书，创建了印地语法律隐喻语料库 (HiLeMe)。对多语言 BERT 模型进行了微调以完成此任务，并实现了一个基于 transformer 的架构，在法律分类方面表现优于传统模型。
-
新型多语言模型NE-BERT助力九种东北印度语言的NLP发展
研究人员开发了NE-BERT，这是一种专为九种代表性不足的东北印度语言设计的新型多语言语言模型。该模型在约830万个句子上进行了训练，在这些低资源语言的困惑度和分词方面，其性能显著优于IndicBERT-V2和MuRIL等现有模型。NE-BERT通过积极的上采样解决了词汇碎片化问题，并在词性标注等下游任务中展示了实际效用，其代码和数据已发布，以促进进一步的NLP研究和数字包容性。