Tanvir Ahmed Sijan
PulseAugur coverage of Tanvir Ahmed Sijan — every cluster mentioning Tanvir Ahmed Sijan across labs, papers, and developer communities, ranked by signal.
2 天有情绪数据
-
LLM展现出形式不变的算术能力，并受益于人类学习策略 · 已追踪2个来源
两篇新研究论文探讨了大语言模型（LLM）的算术能力。第一篇论文分析了Llama 3模型，发现一组共享的神经元负责跨符号、自然语言和Python代码格式的算术计算，这表明失败源于激活状态而非不同的电路。第二篇论文研究了基于Transformer的LLM，证明应用人类学习策略和认知赋能方法可以提高其在算术任务上的准确性，这表明LLM和人类之间可能存在共享的认知过程。
-
在嘈杂孟加拉语文本事件检测中，LLM 比编码器模型表现出更强的鲁棒性
一篇新的研究论文评估了不同 AI 模型架构在嘈杂孟加拉语文本事件检测中的鲁棒性。研究发现，虽然像 BanglaBERT 和 XLM-R 这样的仅编码器模型在干净数据上表现更好，但像 Llama 3 和 Gemma 3 这样的仅解码器模型在面对噪声时表现出更强的韧性，尤其是在事件触发词被损坏时。研究还强调，模型规模的扩大以及在干净和嘈杂数据上进行组合训练可以显著提高鲁棒性，特别是对于仅解码器的 LLM。
-
BanglaSocialBench 基准测试揭示大型语言模型难以处理文化细微差别
研究人员推出了 BanglaSocialBench，这是一个新的基准测试，旨在评估大型语言模型在孟加拉语中理解和使用社会语用学和文化细微差别的能力。该基准测试侧重于语境相关的语言使用，包括称谓、亲属关系推理和社会习俗，而不是事实回忆。对十二个当前大型语言模型的评估显示出持续的文化不匹配，例如默认使用过于正式的语言以及混淆亲属称谓，这凸显了它们在应用文化上适当的沟通方面的局限性。