연구
팀의 논문.
팀원들이 Datarena 합류 이전 또는 Datarena 활동과 병행하여 소속 대학과 연구소에서 작성한 논문입니다.
-
One Instruction Is a Benchmark: End-to-End Instruction-Following Evaluation with FlexBench
하나의 지시문을 그 자체의 멀티턴 테스트 스위트로 만듭니다. 모델 순위와 실패 양상은 지시문마다 달라집니다.
-
Learning When to Think in Latent Visual Space: Reasoning Mode Adaptive Reinforcement Learning
멀티모달 모델이 언제 잠재 시각 공간에서 추론하고 언제 텍스트로 추론할지를 가르치는 강화학습.
-
To Answer or Not to Answer? Reliability-Oriented Reinforcement Learning for Visual Language Models
시각-언어 모델이 답할 수 없는 질문에는 답변을 보류하도록 가르치는 루브릭 기반 보상으로, 새로운 벤치마크인 Reliable-V-Bench에서 측정했습니다.
-
CAMFT: Conflict-Aware Mergeable Fine-Tuning for Large Language Models
태스크별 모델을 더 쉽게 병합할 수 있게 하는 파인튜닝: 각 태스크는 태스크 간 충돌이 적은 희소한 매개변수 집합을 갱신하며, 병합된 멀티태스크 모델은 표준 파인튜닝으로 만든 모델보다 우수한 성능을 보입니다.
-
From Absolute to Relative: Rethinking Reward Shaping in Group-Based Reinforcement Learning
그룹 기반 강화학습에서 절대 점수 대신 상대 순위를 보상으로 사용합니다.
-
Think-Augmented Function Calling: Improving LLM Parameter Accuracy Through Embedded Reasoning
각 함수 시그니처에 추론 매개변수를 두어 모델이 인자를 채우기 전에 생각하게 하며, 모델을 변경할 필요가 없고 API와 완전히 호환됩니다.
-
Asymmetric Decision-Making in Online Knowledge Distillation: Unifying Consensus and Divergence
학생 모델은 교사 모델들이 합의하는 바를 따르고, 교사 모델들은 서로를 구별하는 특성을 유지하는 온라인 증류.
-
Large Language Models Know What is Key Visual Entity: An LLM-assisted Multimodal Retrieval for VQA
언어 모델이 질문에 필요한 시각적 개체를 골라내므로, 검색 시 이미지의 나머지 부분은 무시됩니다.