Nhóm nghiên cứu tại Viện McGovern thuộc MIT đã tạo ra công cụ xử lý ngôn ngữ dựa trên từ vựng chuyên biệt, giúp dự đoán nguy cơ tự tử từ các văn bản hỗ trợ khủng hoảng. Kết quả nghiên cứu vừa được công bố trên tạp chí Journal of Psychopathology and Clinical Science.
Knowledge Pull Requests (KPRs) là khung làm việc mới giúp tích hợp tri thức mới vào tài liệu hiện có bằng cách trích xuất, phân loại và đối chiếu thông tin, tạo ra nhật ký thay đổi chi tiết thay vì viết lại từ đầu.
MoME thay thế các bảng nhúng tĩnh bằng cơ chế hỗn hợp nhiều khe cắm, cho phép mô hình truy xuất thông tin linh hoạt dựa trên ngữ cảnh thay vì chỉ dựa vào từ khóa, giúp cải thiện hiệu suất đáng kể cho các dòng LLM như Llama-3 hay Qwen.
RiskChainBench là bộ dữ liệu mới giúp AI giải mã các thông điệp lừa đảo tinh vi (dùng emoji, từ đồng âm) và tự động điều tra, thu thập bằng chứng từ các trang web độc hại một cách chính xác.
Nghiên cứu chỉ ra rằng các hệ thống liên kết thực thể thường thất bại với các thực thể hiếm. Tác giả đề xuất khung làm việc không cần huấn luyện, sử dụng mô hình ngôn ngữ-hình ảnh để suy luận và truy xuất dữ liệu từ Wikipedia nhằm cải thiện độ chính xác.
Nghiên cứu này giải quyết thách thức khi LLM phải tự động cập nhật các phần phụ thuộc trong tài liệu khi người dùng yêu cầu chỉnh sửa cục bộ. Nhóm tác giả đề xuất bộ tiêu chuẩn đánh giá mới và các phương pháp tính toán tiết kiệm chi phí để cải thiện độ chính xác khi lan truyền thay đổi.
Nghiên cứu chỉ ra rằng việc tách biệt câu từ chối và phần giải thích giúp AI phân biệt chính xác hơn giữa các truy vấn độc hại và các câu hỏi lành tính có từ ngữ nhạy cảm, từ đó giảm thiểu đáng kể tình trạng từ chối nhầm.
Nghiên cứu đề xuất phương pháp tạo dữ liệu hội thoại tổng hợp từ đánh giá sản phẩm và tương tác người dùng để huấn luyện hệ thống gợi ý mà không cần dữ liệu hội thoại thực tế, giúp tối ưu hóa hiệu suất trong các lĩnh vực mới.
Hi-Q giải quyết vấn đề chênh lệch độ chi tiết giữa câu hỏi và dữ liệu bằng cách sử dụng cơ chế phân cấp thông minh. Hệ thống tự động kiểm tra bằng chứng để quyết định khi nào cần tinh chỉnh truy vấn, giúp cải thiện độ chính xác cho các tác vụ hỏi đáp phức tạp.
Nghiên cứu giới thiệu bộ dữ liệu đa ngôn ngữ và hệ thống phân loại mới nhằm nhận diện các chiến thuật lừa đảo trong thông tin sai lệch đa phương thức trên mạng xã hội, hỗ trợ tự động hóa việc phân tích quy mô lớn.
RO-PnR là khung làm việc mới giúp AI quyết định khi nào nên đặt câu hỏi làm rõ và khi nào nên đưa ra phản hồi trực tiếp, tối ưu hóa hiệu quả đính chính thông tin sai lệch dựa trên đặc điểm người dùng.
Nghiên cứu giới thiệu bộ dữ liệu hội thoại tự nhiên bằng tiếng Thổ Nhĩ Kỳ, kết hợp video, âm thanh và văn bản để tối ưu hóa việc dự đoán lượt nói trong giao tiếp thông qua thuật toán di truyền.
Nghiên cứu giới thiệu Entropy-Valley, phương pháp chọn độ dài câu đích không cần huấn luyện cho mô hình dịch máy khuếch tán, giúp cải thiện đáng kể chất lượng dịch thuật bằng cách chọn độ dài tối ưu dựa trên độ bất định dự đoán.
Nghiên cứu đề xuất cách tiếp cận mới để phát hiện ảo giác ở cấp độ token bằng cách phân tích chuỗi thay vì đánh giá độc lập, giúp cải thiện đáng kể độ chính xác nhờ tận dụng mối liên hệ giữa các từ trong ngữ cảnh.
ParliamentRAG giải quyết các hạn chế của RAG truyền thống trong văn bản nghị viện bằng cách đánh giá thẩm quyền của người phát biểu dựa trên chuyên môn và bối cảnh, giúp trích xuất thông tin chính xác và khách quan hơn.
Khung làm việc mới giúp LLM giải quyết các câu hỏi logic phức tạp bằng cách phân tách lựa chọn thành các thành phần nguyên tử, sau đó sử dụng lập trình tuyến tính để tổng hợp kết quả. Phương pháp này cải thiện đáng kể độ chính xác trên các bộ dữ liệu logic khó.
Nghiên cứu giới thiệu Simplax, một phương pháp tăng cường Dirichlet-categorical giúp cải thiện hiệu suất của các mô hình khuếch tán rời rạc bằng cách kết hợp biến phụ trợ dạng đơn hình, từ đó nâng cao chất lượng tạo văn bản.
ModelBest OpenBMB@OpenBMBReasoning models think longer, but longer chains bury more factual mistakes-and one wrong fact early…
DịchCheckRLM là khung RAG mới từ ĐH Thanh Hoa giúp phát hiện và sửa lỗi thực tế ngay trong quá trình suy luận thay vì hậu kiểm. Giải pháp này đạt hiệu suất vượt trội trên các bộ dữ liệu khó như MuSiQue với tốc độ nhanh và tiết kiệm token hơn so với các mô hình hiện nay.
