Pesquisa
Publicações da nossa equipe.
Publicações de membros da equipe, escritas nas suas universidades e laboratórios antes da Datarena ou paralelamente a ela.
-
One Instruction Is a Benchmark: End-to-End Instruction-Following Evaluation with FlexBench
Transforma uma única instrução em um conjunto de testes multiturno próprio; os rankings de modelos e os modos de falha mudam de uma instrução para outra.
-
Learning When to Think in Latent Visual Space: Reasoning Mode Adaptive Reinforcement Learning
Aprendizado por reforço que ensina modelos multimodais quando raciocinar no espaço visual latente e quando raciocinar em texto.
-
To Answer or Not to Answer? Reliability-Oriented Reinforcement Learning for Visual Language Models
Uma recompensa baseada em rubrica que ensina modelos de visão e linguagem a se absterem diante de perguntas que não conseguem responder, medida em um novo benchmark, o Reliable-V-Bench.
-
CAMFT: Conflict-Aware Mergeable Fine-Tuning for Large Language Models
Fine-tuning que torna os modelos de tarefa mais fáceis de mesclar: cada tarefa atualiza um conjunto esparso de parâmetros com pouco conflito entre tarefas, e os modelos multitarefa mesclados superam os construídos com fine-tuning padrão.
-
From Absolute to Relative: Rethinking Reward Shaping in Group-Based Reinforcement Learning
Rankings relativos no lugar de pontuações absolutas como recompensa no aprendizado por reforço baseado em grupos.
-
Think-Augmented Function Calling: Improving LLM Parameter Accuracy Through Embedded Reasoning
Um parâmetro de raciocínio em cada assinatura de função faz o modelo pensar antes de preencher um argumento, sem nenhuma alteração no modelo e com total compatibilidade de API.
-
Asymmetric Decision-Making in Online Knowledge Distillation: Unifying Consensus and Divergence
Destilação online em que os alunos seguem aquilo em que os professores concordam, e os professores mantêm o que os diferencia.
-
Large Language Models Know What is Key Visual Entity: An LLM-assisted Multimodal Retrieval for VQA
Um modelo de linguagem identifica as entidades visuais de que uma pergunta precisa, para que a recuperação ignore o resto da imagem.