Recherche
Publications de notre équipe.
Publications des membres de l’équipe, rédigées dans leurs universités et laboratoires avant ou parallèlement à Duffi AI.
-
One Instruction Is a Benchmark: End-to-End Instruction-Following Evaluation with FlexBench
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.
-
Learning When to Think in Latent Visual Space: Reasoning Mode Adaptive Reinforcement Learning
Un apprentissage par renforcement qui apprend aux modèles multimodaux quand raisonner dans l’espace visuel latent et quand raisonner en texte.
-
To Answer or Not to Answer? Reliability-Oriented Reinforcement Learning for Visual Language Models
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.
-
CAMFT: Conflict-Aware Mergeable Fine-Tuning for Large Language Models
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.
-
From Absolute to Relative: Rethinking Reward Shaping in Group-Based Reinforcement Learning
Des classements relatifs à la place de scores absolus comme récompense dans l’apprentissage par renforcement par groupes.
-
Think-Augmented Function Calling: Improving LLM Parameter Accuracy Through Embedded Reasoning
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.
-
Asymmetric Decision-Making in Online Knowledge Distillation: Unifying Consensus and Divergence
Une distillation en ligne dans laquelle les élèves suivent ce sur quoi les enseignants s’accordent, et les enseignants conservent ce qui les distingue.
-
Large Language Models Know What is Key Visual Entity: An LLM-assisted Multimodal Retrieval for VQA
Un modèle de langage repère les entités visuelles dont une question a besoin, de sorte que la recherche ignore le reste de l’image.