Hindi
PulseAugur coverage of Hindi — every cluster mentioning Hindi across labs, papers, and developer communities, ranked by signal.
13 天有情绪数据
-
Gemini AI 展示了跨越100多种语言的原生多语言翻译能力
Google 的 AI 模型 Gemini 通过将《1789年人权宣言》同时翻译成多种语言,展示了其原生多语言能力。该模型能够理解并以100多种语言进行响应,处理跨多种模态的指令和数据。此功能支持同时翻译成英语、标准中文、印地语和西班牙语等语言,并保留 Markdown 等原始格式。
-
新的 VEPO 方法解决了 LVLM 中的多语言幻觉问题
研究人员开发了 VEPO(视觉证据引导的偏好优化),一种用于减少大型视觉语言模型(LVLM)中多语言幻觉的新型训练方法。该方法解决了 LVLM 生成流畅但视觉上不准确的响应的问题,尤其是在低资源语言中。VEPO 利用来自英语查询的视觉证据来指导偏好优化,鼓励模型在中文、法文和印地文等语言的答案中依赖图像内容而非语言先验。实验表明,VEPO 能有效减少幻觉并提高这些语言的感知能力,在资源最少的语言中获得最显著的提升。
-
健康聊天机器人 Saluvo 采用关键词和模型检查分层以检测紧急情况
一款名为 Saluvo 的健康聊天机器人,旨在为 80 多种语言的用户提供帮助,它采用了一个多层安全系统来检测紧急情况。第一层使用预模型关键词检查,针对各种语言(包括 Hinglish)中的良性短语、否定和字符规范化制定了特定规则。然而,该系统被证明不足,在 45 个紧急情况测试用例中遗漏了 36 个。为解决此问题,实施了第二层,利用一个小型、快速的模型来分析任何语言的用户输入,并返回结构化 JSON,指示危险级别、原因和原始语言。
-
研究发现:大型语言模型对孟加拉语和印地语的代币化成本飙升
一项最新分析揭示了大型语言模型在代币化不同语言时存在显著差异,导致非英语文本的计算成本增加。虽然一段给定文本的英语通常需要约 44 个代币,但在 Llama 3.1 等模型上,孟加拉语可能需要超过 278 个代币,增加了 6.3 倍。这种现象归因于代币化器的设计选择,而像 Gemma 3 这样的一些模型由于拥有更大、更具包容性的词汇量,在孟加拉语和印地语等语言上的代币化成本要低得多。
-
新数据集解决印度政治新闻中的印地语媒体偏见问题
研究人员开发了一个新的数据集,专注于印度印地语政治新闻文章中的媒体偏见。该数据集包含来自四家主要印地语新闻机构的448篇文章,由14位专家对四种偏见类型进行了标注:选择性偏差、框架偏差、诱导点击和遗漏偏差。该项目旨在提高对印度语言媒体偏见的理解和检测能力,高标注者间一致性分数表明了数据集的可靠性。
-
新的多词分词器Havon v4在204种语言上表现优于GPT-4o
研究人员开发了一种名为Havon v4的新型多词分词器,该分词器在204种语言上的效率均优于GPT-4o的分词器。Havon v4,尤其是在使用更大的词汇表进行训练时,对许多语言所需的词数更少,包括英语和印地语都有显著的提升。虽然Havon v3在印度语言上表现强劲,但v4在其基础上增加了多词训练阶段,为英语和更广泛的语言提供了更好的压缩效果,尽管没有空格的文字脚本获益较少。
-
研究发现:人工智能模型对印度语言征收“Token税”
一篇题为《2026年印度语Token税》的新研究论文,揭示了不同语言模型在处理印度语言与英语分词方面存在的显著差异。研究发现,GPT-4o和GPT-4等模型的tokenizer在处理奥里亚语和桑塔利语等语言的内容时需要更多的tokens,导致成本增加和效率降低。Sarvam-30B/105B是唯一一个在所有测试的印度语言中保持较低token计数的第三方tokenizer。
-
开发者在28分钟内为外卖骑手构建了拥有4000万参数的多语言AI
一位开发者创建了一个小型多语言语言模型,旨在协助外卖骑手,特别是在网络连接差或没有网络连接的地区。这个拥有4000万参数的模型在免费的Google Colab GPU上训练不到30分钟,支持英语、印地语、孟加拉语、马拉地语和泰米尔语。该项目已在Hugging Face上发布,探讨了边缘AI在特定运营任务中的可行性,证明并非所有AI应用都需要庞大且依赖云端的模型。
-
Otter.ai 将多语言转录扩展至 31 种语言
Otter.ai 是一家由人工智能驱动的笔记服务公司,已显著扩展了其多语言转录功能。该公司正在推出一项新功能,即使在会议中发言者切换语言,也能跟踪对话,总共支持多达 31 种语言。目前已有 13 种语言可用,其余语言将很快推出。这些新的语言模型由 Otter.ai 内部开发,并得到了近期 3.2 亿美元融资的支持。
-
新研究发现:AI评估指标在罗马化印度语言上表现不佳
一项新的研究论文强调了评估罗马化印度语言AI模型时存在的一个重大差距,即自动评估指标无法准确衡量生成质量。研究发现,像BGE-M3和BERTScore这样的指标系统性地误判了生成印地语、泰卢固语和卡纳达语文本的模型性能。当由母语者评估时,GPT-5.5的表现优于Claude Opus 4.8,但自动评估指标显示出的差异微乎其微。研究还确定了具体的失败模式,例如Gemini中的脚本溢出和Qwen中的纯英文输出,这凸显了需要一种全面的评估…
-
GPT-2 自训练改变词语主导地位和熵分布
研究人员探索了递归自训练对语言模型的影响,特别是对 GPT-2 模型在其自身输出上进行多代微调。他们观察到,随着训练温度的升高,信息熵的不同度量(如最小熵和碰撞熵)在不同的温度点上从损失转变为增益。这个过程导致独特词语类型的数量减少,同时降低了最常用词语的主导地位。研究发现,这种熵变化的排序在各种设置下是一致的,包括不同的度量采样器、词语预算,甚至在对人类文本进行微调时也是如此,这表明熵分布应与独立的质量度量一起报告。
-
新的音译模型旨在简化混合脚本输入
开发人员创建了 UnimeType,一种新的输入法和浏览器转换器,以应对混合脚本输入的挑战。他们基于 Qwen/Qwen3.5 训练了两个专门的音译模型 Transliteration 2.0(0.8B 和 4B)。这些模型专为快速本地推理而设计,可在中文、日文、印地文、阿拉伯文和俄文等语言的句子中保留英文单词和代码标识符,这与翻译整个短语的通用 LLM 不同。
-
熟悉的字母,而非相关的语言,解锁AI对未见语言的理解
研究人员证明,字母的熟悉程度,而非语言的关联性,是使AI模型能够理解未见语言的关键。在名为GlyphMind的模型的实验中,该模型将文本作为像素处理,研究发现,呈现一种不翻译但使用熟悉字母的语言,能显著提高其访问共享意义空间的能力。例如,用Devanagari字母(源自印地语,比较熟悉)书写的寮语文本,模型可以理解;而用其自身不熟悉的字母书写的同一种语言,即使在预训练期间存在泰语等相关语言,模型也无法理解。
-
Anthropic 的 Claude AI 显示出语言相关的响应差异
Anthropic 的 Claude AI 模型在用不同语言查询时会表现出不同的响应模式,与英语相比,在用印地语回应时语气更显鼓励。这种语言上的差异表明模型的输出会受到所用语言的影响,可能会影响用户对其建议或信息的看法。
-
新的 TRIDENT 框架和 SHAKTI 基准解决了印地语人工智能文本检测问题
研究人员开发了 TRIDENT,这是一个用于检测印地语中人工智能生成文本的新颖框架,而印地语此前在这类工具方面服务不足。TRIDENT 采用往返翻译方法,分析原始文本和翻译文本之间的语义一致性,以识别机器生成的内容。与 TRIDENT 一同,该团队推出了 SHAKTI,这是一个全面的印地语基准数据集,旨在促进该领域的研究。实验表明,TRIDENT 的性能优于现有方法,其静态阈值变体 (TRIDENT-S) 取得了最佳结果,并且在各种语…
-
新的 Bhasha 模型逐词识别语言,在泰米尔语方面遇到困难
一款名为 Bhasha 的新开源模型已被开发出来,用于识别混合编码印度文本中单个单词的语言,支持 Hinglish、Tanglish 和 Kanglish 等语言。虽然 Bhasha 在许多印度语言上表现良好,但在泰米尔语方面遇到困难,将相当一部分泰米尔语单词错误地归类为泰卢固语。该模型拥有 2.78 亿个参数,可在 CPU 上运行,使用公开文本数据进行训练,并根据 Apache-2.0 许可证提供。
-
孟加拉语共指消解研究质疑多语言模型假设
arXiv上的一篇新研究论文挑战了多语言Transformer模型的普遍假设,特别是在孟加拉语等低资源语言的共指消解方面。研究发现,少量高质量标注数据显著优于更大规模的混合质量数据集。此外,反向翻译等数据增强技术并未提高性能,而与英语等远距离语言的跨语言迁移甚至导致结果下降。研究还发现,几个广泛使用的多语言模型存在嵌入空间坍塌的问题,使其不适用于基于相似度的聚类任务。
-
Maya Research 发布多语言流式语音合成模型 Maya 2 Native
Maya Research Program 发布了 Maya 2 Native,这是一个支持 11 种印度语言和英语的流式文本转语音模型。该模型可生成 24 kHz 的语音,内置 20 种声音,并具有从短音频样本进行零样本语音克隆的功能,支持跨语言合成。该模型提供开放权重和推理代码,包括 Python API 和兼容 OpenAI 的语音端点,并在 VoiceArena 基准测试中印地语排名第二。
-
新的元学习框架提高了代码转换语音识别的准确性
研究人员开发了 SyRA-CS,一个新颖的元学习框架,旨在提高代码转换语音的自动语音识别(ASR)能力。该方法使用合成的代码转换数据进行元训练,然后用少量真实语音数据进行微调。在多个语言对和 ASR 架构上的实验表明,与现有方法相比,词错误率(WER)和字符错误率(CER)显著降低。
-
Amazon Polly 升级生成引擎,新增语音和语言
Amazon Polly 已为其生成引擎发布重大升级,增强了语音输出的自然度、表现力和准确性。此次更新在 9 个地区新增了 14 种语音,包括首次推出的印地语和芬兰语的生成语音。这些改进旨在无缝替换现有应用程序,保持当前的 API 调用和语音名称,同时为数字、货币和地址提供增强的功能。