Telugu
PulseAugur coverage of Telugu — every cluster mentioning Telugu across labs, papers, and developer communities, ranked by signal.
2 天有情绪数据
-
单语模型在达罗毗荼语系上优于多语模型
研究人员开发并评估了五个GPT-2架构模型，以评估多语语言模型在达罗毗荼语系上的表现。其中四个模型分别针对泰米尔语、泰卢固语、卡纳达语和马拉雅拉姆语进行了单语训练，每个模型都有自己的分词器。第五个模型进行了多语训练，在所有四种语言之间共享一个分词器。研究发现，在情感分类和命名实体识别等任务上，单语模型的表现优于多语模型mGPT，并且显示出更高的分词器效率。
-
新数据集用7种语言教授LLM印度知识体系
研究人员开发了IKS-Instruct，一个旨在教授大型语言模型印度知识体系（IKS）的新多语言数据集。该数据集包含七种语言的24,000多个指令-响应对，涵盖41种教学技术，并与印度教育课程相符。评估表明，使用IKS-Instruct进行微调的7B模型在IKS特定维度上的得分与通用参考模型相当，但部署成本显著降低。
-
泰卢固语推出AI精通课程
一门新的AI精通课程正在泰卢固语中提供，旨在为学生提供人工智能技能。课程详情，包括其教学大纲、时长和潜在的职业道路，均已概述。此举旨在让泰卢固语使用者更容易获得AI教育。
-
Vibe Coding 演进：AI 编码和规范驱动开发解决局限性
安德烈·卡帕西（Andrej Karpathy）推广的“vibe coding”概念描述了一种工作流程，开发者使用自然语言提示 AI 生成代码，通常用于新项目。虽然 Lovable 和 Replit Agent 等工具在快速创建 MVP 方面表现出色，但它们在处理现有代码库时遇到困难。“AI 编码”被提出作为一种更全面的方法，可以处理现有项目中的修改、错误修复和功能添加，这需要 AI 理解上下文、架构和团队约定。诸如“规范驱动开发”之…
-
受嗅觉启发的架构提升低资源NER性能
研究人员开发了一种新颖的、受生物学启发的嗅觉架构，以提高低资源语言的命名实体识别（NER）性能。这种被称为受体-肾小球瓶颈的架构被集成在词嵌入和BiLSTM-CRF序列模型之间。当在没有预训练嵌入的情况下从头开始训练时，这种受嗅觉启发的方法通过在严重数据稀缺的情况下充当强大的正则化器，显著提高了F1分数，尤其是在孟加拉语和泰卢固语等语言中。
-
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 …
-
AI 飞轮将印度语言 ASR 的小众实体识别准确率提高了 17 倍
研究人员开发了一种新颖的文本到语音 (TTS) 和语音到文本 (STT) 系统，称为“TTS-STT 飞轮”，以提高印度语言小众领域的自动语音识别 (ASR) 准确性。该系统合成实体密集型音频，成本低于 50 美元，然后用于微调现有模型。微调后的模型在泰卢固语的实体命中率 (EHR) 方面取得了显著改进，性能优于开源和商业系统。
-
新基准评估六维度的印度语言TTS口音保真度
研究人员推出PSP，一个旨在评估印度语言文本到语音（TTS）系统口音准确性的新基准。与关注清晰度和自然度的现有指标不同，PSP通过将其分解为六个不同的维度来专门衡量口音，包括卷舌音合并和韵律特征发散。对ElevenLabs v3和Sarvam Bulbul等系统的初步测试显示，在词错误率方面表现最佳的系统不一定在口音保真度方面表现出色，这凸显了对更细致评估方法的需求。