Marathi
PulseAugur coverage of Marathi — every cluster mentioning Marathi across labs, papers, and developer communities, ranked by signal.
2 天有情绪数据
-
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…
-
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…
-
LLM管道在马拉地语到英语翻译中保留文档结构
研究人员开发了一个新颖的框架，用于将政府文件从马拉地语翻译成英语，特别解决了保留文档结构和格式的挑战。该系统集成了布局感知OCR、基于坐标的文本提取和大型语言模型，以确保翻译后的文档保持其原始布局和层次结构元素。在真实的马拉地语政府PDF上进行的评估表明，与仅文本的翻译方法相比，这种方法显著提高了结构保留、翻译连贯性和术语一致性，旨在提高电子政务中的多语言可访问性。
-
发布新的马拉地语词性标注数据集和BERT模型
研究人员推出了L3Cube-MahaPOS，这是一个用于马拉地语词性（POS）标注的新数据集，解决了该语言标注资源稀缺的问题。该数据集包含32,000多句新闻文本中的手动标注句子，并与通用依存关系对齐。它被用于对六个模型家族进行基准测试，表现最好的系统达到了88.67%的词级别准确率和81.67%的宏F1分数。该数据集、标注指南和训练好的模型正在发布，以促进马拉地语自然语言处理的进一步研究。
-
新的 N-VSSM 模型在长篇叙事一致性方面超越 Claude Opus 4.5
研究人员开发了 NarrativeWorldBench，这是一个旨在评估大型语言模型 (LLM) 在长篇音频戏剧中保持叙事一致性能力的新基准。目前的尖端 LLM 在超过 200 集的叙事弧方面存在困难，情节节拍 F1 分数饱和在 0.8 左右。为解决此问题，他们引入了 N-VSSM，一个利用 Mamba-2 主干的叙事变分状态空间模型，该模型在各种周期中实现了至少 0.84 的情节节拍 F1 分数，并在与专业作者的合作研究中证明了比 …
-
新数据集AgriGov助力印度农民AI应用
研究人员开发了AgriGov，一个旨在改进印度农民AI工具的新多语言数据集。该数据集侧重于政府计划和福利政策，最初涵盖英语、印地语和马拉地语的50项计划。它通过自动化抓取和涉及Google Translate、MarianMT以及人工后期编辑的翻译流程创建，产生了约8,000个平行句子对。
-
新的马拉地语数据集BhashaSetu提高了低资源翻译质量
研究人员推出BhashaSetu，一个旨在改善马拉地语低资源机器翻译的新数据集。该数据集包含278万个句子对，涵盖多个领域，包括用于形态感知分析的词干和词形还原表示。实验表明，语料库级别的去重显著提高了翻译质量，突显了数据卫生对于形态丰富的语言的重要性。BhashaSetu数据集现已公开提供，以支持该领域的重现性研究。
-
LLMs通过调整流畅性来改进多语言语音纠错
研究人员开发了一种新方法，利用大型语言模型（LLMs）来纠正多语言语音转录中的不流畅之处。该流程首先识别不流畅的词元，然后利用这些信号对LLM进行微调，以将转录稿改写为流畅的文本。添加了一个对比学习目标来惩罚不流畅词元的再现，确保语法和含义得以保留。在印地语、孟加拉语和马拉地语进行的实验表明，与现有基线相比有显著改进，为语音驱动的NLP系统提供了实用的解决方案。