Nepali
PulseAugur coverage of Nepali — every cluster mentioning Nepali across labs, papers, and developer communities, ranked by signal.
-
日本提高外籍工人费用和永久居留要求
日本正在提高居留许可和永久居留申请的费用，并收紧了后者的要求。这些变化发生之际，该国越来越依赖外国劳动力来应对人口萎缩和老龄化问题，外国工人为劳动力增长做出了重大贡献。这些新费用的增加的经济负担可能会不成比例地影响男性外籍工人，他们在各个行业的非正规就业比例更高。
-
新的尼泊尔护照问答数据集提高了检索性能
研究人员开发了一个专门针对尼泊尔护照相关服务的新问答数据集，解决了低资源语言资源稀缺的问题。该数据集用于微调基于Transformer的嵌入模型，包括SBERT和多语言E5，以改进信息检索。评估显示，微调后的SBERT模型超越了基线BM25，而多语言E5模型取得了最高的检索性能。
-
Whisper针对尼泊尔金融语音指令进行微调，提升可访问性
研究人员开发了SpeakPay，这是一款语音优先的数字钱包，旨在帮助尼泊尔的视障用户。核心技术贡献是使用LoRA在Whisper large-v2模型上进行域自适应微调。这种微调应用于一个包含403个尼泊尔金融指令的新数据集NepFinSpeech-403，将词错误率从129.95%显著降低到42.58%，并将交易成功率提高了约20倍。研究还发现，仅需100条特定领域的话语就能使错误率减半，而性能在大约300个样本后趋于稳定。
-
新的Arkios语言模型在英语-尼泊尔语文本上进行训练
研究人员推出了Arkios，一个拥有10.4亿参数的语言模型，该模型在1500亿个英语和尼泊尔语的token上进行了训练。该模型使用了自定义训练堆栈和梵文感知分词器。评估显示，Arkios在ARC-Easy和ARC-Challenge基准测试中表现优于同类开放模型，但这可能是由于与基准测试的数据重叠，而非整体能力。该研究还强调了评估低资源语言模型所面临的挑战，因为标准的单项选择题提示可能导致尼泊尔语理解的随机猜测结果。
-
研究揭示分词器设计缺陷限制多语言AI模型
一篇新研究论文指出了许多AI模型所使用的多语言分词器的一个重大限制，包括Hugging Face的模型，并可能影响GPT-4o等模型。该研究发现，使用“仅字母”单词定义的分词器（常见于源自GPT-2的模型）会通过将元音与辅音分开来错误地分割阿布吉达文字中的单词。这种预分词问题造成了分词器有效性的上限，不成比例地影响了藏语和泰语等语言。研究表明，修正后的分词器显著提高了模型性能，并量化了这种有缺陷的方法在众多流行文本生成模型中的广泛部署情况。
-
发布新的尼泊尔语-英语虚假信息检测基准
研究人员开发了NepOOC-M，这是首个公开可用的用于检测尼泊尔语和英语中脱离上下文（OOC）虚假信息的基准。该数据集包含1,090个图像-标题对，并根据五种虚假信息类型进行了标注。评估显示，仅文本的模型，特别是多语言BERT（mBERT）变体，与多模态架构的表现相当，达到了94.65%的宏观F1分数。研究表明，扩大数据集规模比增加模型复杂度对进步更有影响。
-
尼泊尔表情包分类系统在CHiPSAL 2026上获得高排名
研究人员开发了一个新颖的尼泊尔表情包分类系统，在CHiPSAL 2026的仇恨言论检测共享任务中获得第二名，在情感分析任务中获得第四名。他们的方法利用了Qwen3-VL-8B-Instruct视觉语言模型，该模型原生支持天城文，无需单独的OCR和翻译步骤。该系统采用两阶段训练过程，包括LoRA微调和对比骨干微调，并采用过采样和Focal Loss等策略来管理类别不平衡。该方法证明了大型视觉语言模型在低资源语言上的有效适配。
-
尼泊尔车牌识别系统准确率达93%
研究人员开发了一种新的自动车牌识别（ANPR）系统，专门针对使用天城文（Devanagari script）的尼泊尔车牌。该系统采用了一个流程，首先使用基于YOLO的模型来检测车牌和字符，然后使用在34个天城文字符上训练的卷积神经网络（CNN）分类器。这种方法达到了高达93%的识别准确率，证明了其在实际条件下的有效性，并为尼泊尔的交通管理提供了可扩展的解决方案。
-
新型神经说话人分割模型在低资源尼泊尔-印地语语音上表现优异
研究人员开发了一种新的说话人分割方法，即在音频录音中识别谁在何时说话，特别针对尼泊尔-印地语等低资源语言。他们使用了一个包含英语、多样化说话人录音以及新收集的尼泊尔语和印地语音频的多语言数据集，训练了两种神经网络架构：EEND-EDA 和 DiaPer。利用基于 Perceiver 的吸引子（attractors）的 DiaPer 模型表现出卓越的性能，在尼泊尔-印地语测试集上实现了比 EEND-EDA 模型显著更低的说话人分割错误率…
-
新框架将口语尼泊尔语翻译成情感条件化手语头像
研究人员开发了 NEST-V1，一个新颖的多模态框架，用于将口语尼泊尔语翻译成情感条件化手语头像。这项试点研究侧重于三种情感状态下的四个常用尼泊尔语单词，证明了生成富有表现力的手语头像的可行性。该系统利用共享声学编码器同时进行自动语音识别和情感分类，在保持适合边缘部署的参数效率的同时，实现了高精度。