Menu

Recherche

Publications de notre équipe.

Publications des membres de l’équipe, rédigées dans leurs universités et laboratoires avant ou parallèlement à Datarena.

  1. EMNLP 2026, conférence principale

    One Instruction Is a Benchmark: End-to-End Instruction-Following Evaluation with FlexBench

    Yuchen Ge, Yizhao Sun, Wei He, Jinpeng Ou, et al. (13 auteurs)

    Transforme une seule consigne en sa propre suite de tests multitours ; les classements des modèles et leurs modes d’échec changent d’une consigne à l’autre.

  2. Findings of EMNLP 2026

    Learning When to Think in Latent Visual Space: Reasoning Mode Adaptive Reinforcement Learning

    Paul Jian, Jinpeng Ou, Leo Wei, Qingpei Guo, Jianing Li

    Un apprentissage par renforcement qui apprend aux modèles multimodaux quand raisonner dans l’espace visuel latent et quand raisonner en texte.

  3. EMNLP 2026, conférence principale

    To Answer or Not to Answer? Reliability-Oriented Reinforcement Learning for Visual Language Models

    Paul Jian, Julian Wu, Leo Wei, Dylan Chen, Garvin Guo, Qingpei Guo, Jianing Li

    Une récompense fondée sur une grille d’évaluation qui apprend aux modèles vision-langage à s’abstenir sur les questions auxquelles ils ne peuvent pas répondre, mesurée sur un nouveau benchmark, Reliable-V-Bench.

  4. Findings of EMNLP 2026

    CAMFT: Conflict-Aware Mergeable Fine-Tuning for Large Language Models

    Jingang Zhou, Haiyang Guo, Yuan Ma, Han Zhu, Xu-Yao Zhang

    Un fine-tuning qui rend les modèles spécialisés plus faciles à fusionner : chaque tâche met à jour un ensemble clairsemé de paramètres avec peu de conflits entre tâches, et les modèles multitâches fusionnés surpassent ceux issus d’un fine-tuning standard.

  5. ICML 2026

    From Absolute to Relative: Rethinking Reward Shaping in Group-Based Reinforcement Learning

    Wenzhe Niu, Wei He, Zongxia Xie, Jinpeng Ou, Huichuan Fan, Yuchen Ge, et al. (13 auteurs)

    Des classements relatifs à la place de scores absolus comme récompense dans l’apprentissage par renforcement par groupes.

  6. ICASSP 2026

    Think-Augmented Function Calling: Improving LLM Parameter Accuracy Through Embedded Reasoning

    Lei Wei, Xiao Peng, Jinpeng Ou, Bin Wang

    Un paramètre de raisonnement dans chaque signature de fonction amène le modèle à réfléchir avant de renseigner un argument, sans modification du modèle et avec une compatibilité totale de l’API.

  7. ICML 2025

    Asymmetric Decision-Making in Online Knowledge Distillation: Unifying Consensus and Divergence

    Zhaowei Chen, Borui Zhao, Yuchen Ge, Yuhao Chen, Renjie Song, Jiajun Liang

    Une distillation en ligne dans laquelle les élèves suivent ce sur quoi les enseignants s’accordent, et les enseignants conservent ce qui les distingue.

  8. EMNLP 2024, conférence principale

    Large Language Models Know What is Key Visual Entity: An LLM-assisted Multimodal Retrieval for VQA

    Pu Jian (Paul Jian), Donglei Yu, Jiajun Zhang

    Un modèle de langage repère les entités visuelles dont une question a besoin, de sorte que la recherche ignore le reste de l’image.