Persian
PulseAugur coverage of Persian — every cluster mentioning Persian across labs, papers, and developer communities, ranked by signal.
3 天有情绪数据
-
波斯语的细微差别使得针对聊天机器人的复杂提示注入攻击成为可能
由于字符编码和显示与英语不同，使用波斯语等语言时，提示注入攻击对聊天机器人可能更有效。为英语设计的过滤器可能无法识别嵌入波斯语文本中的恶意指令，因为字符、不可见格式、多种数字集和音译（Finglish）的差异会改变文本的底层代码点，而对人类读者来说看起来却完全相同。这使得攻击者能够绕过安全措施，并通过间接注入来操纵聊天机器人的行为，而用户并未意识到恶意输入。
-
新基准测试大型语言模型对波斯谚语的理解能力
研究人员开发了MasalBench，这是一个旨在评估大型语言模型（LLMs）对波斯谚语理解能力的新基准。尽管当前的大型语言模型在上下文中识别波斯谚语方面表现出高准确率，但它们找到同等英文谚语的能力却显著较弱，这表明在文化知识和类比推理方面存在局限性。该基准旨在提高低资源语言的跨文化理解评估。
-
发布新的可解释波斯语仇恨言论分析基准
研究人员开发了一个新的基准，用于分析波斯语中的仇恨言论，这是一种在此类任务资源有限的语言。该基准包括对内容初步筛选、目标识别、仇恨策略和严重性评估的细粒度分析。对大型语言模型的评估表明，专有模型通常优于开放权重模型，并且纳入中间推理步骤可显著提高严重性预测。研究还发现，煽动暴力与更高的严重性密切相关，而政治目标则与颠覆性道德框架相关。
-
HexaBee-4B模型增强六种语言的翻译能力
研究人员开发了HexaBee-4B，一个改编自Google的Gemma 3 4B IT的新型六语翻译模型。该模型经历了三个阶段的改编：在Wikipedia上继续预训练，联合多语言问答和答案文本翻译阶段，以及最后的双向翻译专业化。该过程涉及大量的多语言问答和合成翻译示例数据集。HexaBee-4B在阿拉伯语、中文、英语、希伯来语、波斯语和西班牙语上的翻译能力得到提升，在多项指标上优于其基础模型和更大的Gemma 3 12B IT。
-
新基准评估波斯语音频语言模型
研究人员推出了 PARSA-Bench，这是第一个专门用于评估波斯语和波斯文化的大型音频语言模型（LALM）的基准。该基准包含 16 项任务，其中 10 项是新颖的，涵盖语音理解、副语言分析和具有文化特异性的音频推理。初步研究结果表明，虽然纯文本模型通常优于其音频对应模型，但音频理解仍然是一个局限，但在波斯诗歌中，韵律提供了仅文本中不存在的关键信息。
-
新的ParsHate数据集旨在检测波斯语仇恨言论
研究人员推出了ParsHate，这是一个新基准数据集，旨在检测波斯语中的仇恨言论并识别其目标。该数据集包含2013年至2022年间10,000条手动标注的波斯语推文，是首个涵盖十年内容的此类数据集。它包含31%的仇恨内容，并提供关于显式和隐式仇恨、七个目标类别以及跨度级别理由的详细标注。使用最先进模型的初步评估显示，仇恨言论检测的性能适中，而目标识别的性能则显著较低，这凸显了该数据集的挑战性。
-
Neyshekar 语料库发布，用于波斯语语音识别
一个名为 Neyshekar 的新的开放式波斯语朗读语音语料库已发布，包含超过 62,000 条录音，总计近 100 小时。该语料库旨在涵盖正式和非正式的波斯语、命名实体和较长的发音，由 190 人贡献。数据使用 'shekar' 库进行处理以进行标准化，并包含详细的特征，如录音负荷和信号质量。评估表明，与现有的波斯语数据集相比，Neyshekar 显著降低了 Whisper 和 XLS-R 等自动语音识别架构的词错误率 (WER) …
-
大型语言模型跨语言知识迁移有限，新的蒸馏方法偏重推理 · 跟踪2个来源
两篇新研究论文探讨了大型语言模型如何获取和保留知识。第一篇论文研究了跨语言的事实知识迁移，发现模型从英语到波斯语的迁移有限，尤其是在训练数据中移除了特定事实时。第二篇论文研究了知识蒸馏技术，提出了“Switch Distillation”，该技术通过基于教师置信度和预测熵进行路由，在训练中期偏重推理而非事实回忆。
-
新框架CLIN客观评估大型语言模型在波斯文学中的创造力
研究人员开发了CLIN，一个用于客观评估大型语言模型生成的波斯短篇文学文本创造力的新框架。研究发现，大型语言模型在诸如情感和吸引力等主观创造力维度上表现不佳，而在原创性和流畅性等结构化属性方面则表现更好。CLIN利用这些维度的代理指标，与直接的大型语言模型评估相比，以更低的计算成本实现了与人类水平相当的一致性。
-
Whisper模型适配用于波斯语语音情感识别，并进行PCA降维
研究人员探索了改进低资源语言（如波斯语）的语音情感识别（SER）的方法，重点关注Whisper模型。他们的研究提出使用主成分分析（PCA）来降低Whisper的帧级嵌入的维度，从而在不牺牲性能的情况下减少可训练参数和训练延迟。虽然基于PCA的降维一致地提高了情感识别的准确性，但对波斯语自动语音识别（ASR）任务进行微调Whisper仅对SER产生了微小改进，表明语言适配对情感特定表示的迁移能力有限。
-
新型波斯语医学大语言模型家族“Gaokerena”发布
研究人员推出 Gaokerena，一个专为消费级硬件设计的新型小型波斯语医学语言模型家族。该模型家族包括 Gaokerena-V，它在一个包含 9000 万个 token 的波斯语医学语料库上进行了训练；以及 Gaokerena-R，它集成了思维链（Chain-of-Thought）和 RLAIF 以提高临床推理能力。尽管 Gaokerena-R 使用的数据集较小，但其基准测试得分高于 Gaokerena-V。两个模型都配备了不确定性…
-
血型在促销活动期间的行为差异探讨 · 已追踪 2 个来源
该集群讨论了不同血型（A、B、AB、O）在促销或自助餐活动期间可能如何影响行为。文章主要来自 Mastodon 实例，使用了与 AI 猫、英国短毛猫和波斯猫等特定猫品种相关的标签，以及促销和自助餐的通用术语。内容似乎轻松有趣且具有观察性，侧重于与血型相关的感知行为差异。
-
波斯语话语标记 'hāla' 被发现具有多种语用功能
一项新研究分析了波斯语话语标记 'hāla'（‘现在’），揭示了其超越时间用法的广泛多功能性。该研究检查了自发对话中的 267 个实例，发现 70% 的 'hāla' 标记服务于两个或多个语用角色。文本功能，如话题转换和强调，最为常见，其次是互动和情态用法。声学分析表明，持续时间和强度是区分 'hāla' 功能的关键韵律线索，文本用法较短，互动用法显示出更高的强度。
-
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…
-
新的合成数据集提升波斯语OCR能力
研究人员推出了Persian Pixel，一个旨在提高波斯语光学字符识别（OCR）能力的大规模合成数据集。该数据集包含超过343,000个图像-文本对，使用SynthOCR-Gen框架生成，以准确模拟波斯语脚本的复杂性，包括连写连接和风格变化。Persian Pixel旨在克服标注数据的稀缺性，从而能够训练TrOCR和Donut等先进的OCR模型，并推动波斯语文档分析的发展。
-
AI优先旅游知识平台DEHEH.COM上线
DEHEH.COM 是一个新推出的、以AI为优先的平台，专注于提供易于获取且可靠的旅游信息。该平台旨在为旅游业创建一个全面的知识图谱，涵盖国家、城市、酒店、景点、签证和汇率等详细信息。DEHEH.COM 还计划发布与旅游、技术和搜索未来相关的内容，特别是针对波斯语用户。
-
使用数据集工程和GPU技巧微调波斯语OCR模型
本文详细介绍了微调视觉语言OCR模型以支持波斯语的过程。文章强调了数据集工程和全模型微调技术的重要性，以及实用的GPU优化在此目标中的作用。作者还讨论了为什么LoRA（低秩自适应）不是此特定任务的选择方法。
-
新的ASR技术解决语音错误并提高判断可靠性
研究人员正在开发先进的方法来改进自动语音识别（ASR）系统，特别是在低资源语言方面以及解决特定类型的错误。一种名为Error-Aware TF-IDF的方法使用一种新颖的算法，根据历史语音错误识别来优先处理更正文档，从而显著降低词错误率。另一种名为G-SPIN的方法将语音图模型与大型语言模型相结合，通过将搜索空间限制在合理的语音替代方案内来纠正语义关键错误。此外，一项研究质疑用于评估LLM越狱尝试的自动判断的可靠性，揭示了其准确性和鲁…
-
研究发现，大型语言模型在将谚语翻译成忠实叙事方面存在困难
研究人员引入了一项名为“约束语义解压”的新任务，以评估大型语言模型（LLM）将抽象谚语转化为详细叙事的能力。他们使用波斯谚语和故事数据集，发现当前的大型语言模型在准确捕捉潜在的道德和因果结构方面存在困难，表现出“解压差距”。虽然模型可以生成流畅的文本，但它们常常无法忠实地表达谚语的预期含义，尽管显式推理和迭代改进等技术在提高性能方面显示出希望。
-
新的 ParsVoice 语料库提升波斯语 TTS 能力
研究人员推出了 ParsVoice，这是一个大规模的波斯语语音和文本数据新语料库，旨在推进波斯语的文本到语音（TTS）合成和其他语音处理任务。该数据集包含 2,200 小时的 TTS 就绪音频，拥有来自 1,815 名已识别说话人的超过 136 万个对齐片段，其规模远大于之前的波斯语语音数据集。创建过程涉及一个复杂的流程，包括微调 ParsBERT 模型、优化音频边界、恢复标点符号以及进行说话人识别和质量评估。通过微调多语言 TTS …