Tajik
PulseAugur coverage of Tajik — every cluster mentioning Tajik across labs, papers, and developer communities, ranked by signal.
-
新的Soro大语言模型家族增强了塔吉克语能力
研究人员开发了Soro，一个专门为塔吉克语定制的大语言模型家族。这些模型基于开源的Gemma 3检查点构建，并使用19亿个标记的塔吉克语文本语料库进行进一步训练，然后对40,000个示例进行指令调优。与同等规模的Gemma 3模型相比，Soro在新建的塔吉克语基准测试中表现更优，同时也能保持强大的英语语言能力。这些模型旨在有限的计算和连接条件下部署，通过FP8和INT4等量化技术在降低内存占用的同时保持性能，以支持边缘设备使用。
-
新的基准研究探讨了塔吉克语词性标注的神经网络性能
本文介绍了塔吉克语词性标注的第一个基准测试，评估了各种神经网络架构。该研究使用了TajPersParallel语料库，重点关注孤立词汇单元的独立于上下文的分类。结果表明，使用LoRA微调的mBERT模型表现最佳，但所有模型在没有句法上下文的情况下都难以处理形态歧义。
-
新的NLP指南涵盖从分词到RLHF的开源模型
一篇新的预印本论文详细介绍了一个现代自然语言处理（NLP）流水线的实践指南，涵盖了从分词到人类反馈强化学习的全部内容。该指南被构建为一个可复现的研究成果，包含十二个实践环节，强调开源模型和Hugging Face生态系统。它包含了关于为塔吉克语和鞑靼语等低资源语言调整NLP技术的原创研究。
-
新研究为塔吉克-波斯语机器音译模型建立基准
本文介绍了塔吉克语和波斯语之间机器音译的新基准，并从不同来源开发了一个独特的平行语料库。该研究比较了六种模型架构，包括基于规则的系统、LSTM、Transformer 和预训练的多语言模型。结果表明，对于这种语言对，字节级和字符级模型（尤其是 ByT5）的性能明显优于 mT5 等基于子词的模型。