Hindi
PulseAugur coverage of Hindi — every cluster mentioning Hindi across labs, papers, and developer communities, ranked by signal.
16 天有情绪数据
-
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。
-
新基准揭示大型语言模型中的跨语言偏见
一项名为INCLUDE的新基准已被开发出来，用于评估大型语言模型（LLMs）在各种印度语言中的社会文化偏见。目前，大型语言模型的安全对齐主要集中在英语上，这可能导致在多语言环境中使用这些模型时产生潜在危害。INCLUDE基准包含2,604个英语、印地语、孟加拉语、马拉地语、泰米尔语和混合英语（Hinglish）的提示，用于评估十个大型语言模型。结果表明，在开源模型中，孟加拉语表现出最高的平均偏见；而在开源模型中，英语偏见最低，但在闭源…
-
研究发现，AI排行榜因制度设计未能服务于全球南方
一份立场文件认为，由于缺乏独立的治理和指标演进机制，当前的AI排行榜未能服务于全球南方。尽管存在高质量的区域性基准测试，例如针对印地语、斯瓦希里语和阿拉伯语，但这些并未被纳入全球排行榜。该文件以印度为例，强调AI从业者更倾向于正式的治理和基于披露的冲突管理，而非仅仅是更多的数据。提出的解决方案是从一开始就开发具有独立治理的区域性排行榜。
-
AssemblyAI 发布 Universal-3.5 Pro，支持高级语码转换和上下文提示
AssemblyAI 发布了用于预录音频的 Universal-3.5 Pro，提高了 18 种语言的转录准确性。该模型具有原生语码转换功能，无需显式配置即可无缝转录混合语言句子。此外，上下文提示允许用户提供非技术性提示，例如特定游戏的术语，以提高具有挑战性音频片段的准确性。
-
新研究探索用于大型语言模型的高级分词，提高效率和性能 · 已追踪 4 个来源
研究人员正在开发用于大型语言模型中文本分词的新方法，以提高效率和性能。一种名为 SuTRA 的方法侧重于形态丰富的语言（如印地语、马拉地语和古吉拉特语）的形态结构，减少了碎片化并改进了机器翻译。另一项开发 TokEval 提供了一套评估分词器的指标，超越了基本的压缩，评估了 UTF-8 完整性和数字对齐等属性，这些属性与下游任务性能相关。此外，一项试点研究探索了使用轻量级自回归模型自动完成分词器，以压缩字节级序列，在不牺牲质量的情况下…
-
AI语音技术从研究走向实际应用
人工智能语音技术的最新进展在多个领域得到体现，从语音克隆和检测的学术研究到联络中心和个性化学习伴侣的实际应用。一篇arXiv上的调查论文详细介绍了AI生成语音及其检测的复杂性，并指出了诸如冒充和虚假信息等风险。与此同时，Cartesia的Sonic-3.6 TTS模型在语音排行榜上名列前茅，提供低延迟的实时合成。包括ShikshaMitra AI、RupeeGPT、Aarogyam、Sydney和EduGuideAI在内的多个项目，展…
-
AI产品本地化：营收地域比说话者数量更重要
在将AI产品推向全球市场时，仅仅关注语言的说话者数量是错误的。文章认为，市场营收、支付基础设施和购买力比纯粹的说话者数量更为关键。此外，关键人群中的英语熟练程度以及英语在网络内容和训练数据中的普遍性意味着，除了核心几种语言之外，本地化为多种语言的好处正在减少。
-
研究发现：低资源ASR评估需要多种子测试
一项关于喜马拉雅地区低资源语言Garhwali的自动语音识别（ASR）的新研究，强调了可复现的多种子评估的重要性。研究人员发现，先前归因于Focal CTC或matra-加权目标等特定目标的改进，在跨多个随机种子测试时并不稳健。相反，采用标准CTC的W2V-BERT 2.0模型达到了具有竞争力的47.0%词错误率（WER），这表明对于此类方言，预训练设计比模型大小更关键。
-
AssemblyAI推出Universal-3.5 Pro，扩展多语言转录功能
AssemblyAI发布了其Universal-3.5 Pro模型，增强了其多语言转录能力。该新模型支持18种语言的自动语言检测和原生语码转换，远超其上一代。通过回退到Universal-2来处理不支持语码转换的99种以上语言，该模型提供了更高的准确性和更无缝的体验，可在单次API调用中处理多样化的语言内容。
-
分词溢价为非英语语言制造人工智能成本障碍 · arXiv cs.CL
一项发表在arXiv上的新研究介绍了分词公平性审计（TEA），这是一个旨在衡量大型语言模型对不同语言分词差异的基准。研究发现，与英语相比，孟加拉语、印地语和约鲁巴语等语言的语义等效内容可能需要更多的分词，这会影响API成本、延迟和有效上下文窗口长度。这种分词溢价因模型和分词器而异，凸显了依赖人工智能工具的服务欠缺语言社区可能面临的经济和功能障碍。
-
语音代理FormBharo助力印度农村地区完成表格填写
研究人员开发了FormBharo，一个旨在帮助印度农村地区低收入、讲印地语的民众通过电话完成表格填写的语音代理。该代理将大型语言模型与基于规则的控制相结合，以管理延迟和成本限制，旨在改善社会福利的可及性。新发布的FormVoiceAgentBench基准测试用于评估该代理的性能，结果表明端到端表格完成情况并不总是能由单个组件的准确性预测，并且较小、成本较低的模型在此任务上的表现可与前沿模型相媲美。
-
LLM词汇扩展：子词组合优于平均
一篇新的研究论文探讨了扩展大型语言模型（LLM）词汇以支持新语言的策略，重点关注Token嵌入的初始化。研究发现，子词组合方法，特别是不对称变体，优于传统的词汇平均和外部初始化技术。最佳配置包括使用均匀子词平均和印地语特定范数校准来初始化输入嵌入矩阵，以及使用字符长度加权子词平均来初始化输出语言模型头。与标准基线相比，这种方法显著减少了继续预训练的步骤并提高了准确性，同时还表明初始化损失和每字节比特是下游收敛性的不良预测指标。
-
合成数据助力多语言农业LLM进行问答
研究人员开发了一种方法，以提高多语言大型语言模型（LLM）在农业问答方面的性能。通过从源自印度的农业特定文档生成合成数据集，他们能够对英语、印地语和旁遮普语的LLM进行微调。评估表明，这些微调后的模型在事实性、相关性和农业共识方面，显著优于其通用型同类模型。
-
尽管面临降级挑战，Hindi Whisper 模型在词错误率 (WER) 上仍有改进
本研究调查了电话降级对 Hindi Whisper 模型（一种语音转文本技术）的影响。研究涉及 18,000 条录音和 3,000 个训练步骤，词错误率 (WER) 提高了 10 个百分点。然而，该模型最终在一项关键测试中失败，表明尽管有所改进，但仍存在局限性。
-
Maya-2-Native 在实时印地语 TTS 方面领先 Voice Arena
Maya Research 的语音合成模型 Maya-2-Native 在实时印地语语音生成方面已登上 Voice Arena 排行榜榜首。这一进展凸显了多语言人工智能能力的进步，特别是对于印度语言。Voice Arena 排行榜跟踪了不同任务和语言的各种人工智能模型的性能。
-
LLM防护失效，跨语言生成个性化虚假信息
一项新研究表明，即使有防护措施，主流大型语言模型（LLMs）也极易生成个性化虚假信息。研究人员使用324个虚假叙事和150个人口统计学画像，创建了一个包含英语、俄语、葡萄牙语和印地语超过160万条个性化虚假信息文本的数据集。研究发现，约80%的提示防护失效，其中Grok的失效率超过94%。模型能够有效地根据特定画像定制虚假信息，并采用比非个性化内容更具说服力的技巧，这凸显了当前LLM安全机制的重大弱点以及改进多语言防护措施的必要性。
-
新数据集用7种语言教授LLM印度知识体系
研究人员开发了IKS-Instruct，一个旨在教授大型语言模型印度知识体系（IKS）的新多语言数据集。该数据集包含七种语言的24,000多个指令-响应对，涵盖41种教学技术，并与印度教育课程相符。评估表明，使用IKS-Instruct进行微调的7B模型在IKS特定维度上的得分与通用参考模型相当，但部署成本显著降低。
-
大型语言模型改进了低资源阿拉伯语系语言的生物医学翻译
研究人员探索了跨语言迁移学习，以改进低资源阿拉伯语系语言在生物医学领域的机器翻译。通过使用阿拉伯语和波斯语作为枢纽语言，他们使用LoRA适配器对小型仅解码器的大型语言模型进行了微调。该研究评估了三种迁移策略：少样本学习、最小监督适应和零数据LoRA适配器合并。研究发现，仅使用500句话的监督适应就显著改进了达里语和乌尔都语。适配器合并对于关系密切的语言非常有效，且不需要目标语言的生物医学数据，尽管普什图语和索拉尼库尔德语由于与枢纽语言…
-
研究发现：语言“黄金时代”在3000年前达到顶峰，随后迅速衰落
《科学》杂志上发表的一项最新研究表明，语言多样性大约在3000年前达到顶峰，当时全球有数万种语言被使用。这一时期被描述为语言的“黄金时代”，但在过去两千年中，语言多样性显著下降。研究表明，大型帝国的崛起以及后来的殖民主义导致了这种语言的丧失，像英语和标准汉语等强势语言取代了小型语言。这种语言贫乏的趋势也反映了文化变体的广泛灭绝。
-
FinMMEval 2026 任务评估多语言金融问答能力 · 跟踪 2 个来源
两篇新的研究论文详细介绍了 FinMMEval 2026 任务，旨在评估多语言金融问答能力。任务 1 侧重于英语、标准中文、阿拉伯语和印地语的多项选择题，最高准确率达到 97.5%。任务 2 使用英语、中文、日语、西班牙语和希腊语的多语言证据评估简答式金融问答，系统按 ROUGE-1 F1 分数排名。两项任务都收到了大量提交，并采用了检索增强和结构化提示等技术。