Ricerca
Pubblicazioni del nostro team.
Pubblicazioni dei membri del team, scritte presso le loro università e i loro laboratori prima di Duffi AI o in parallelo.
-
One Instruction Is a Benchmark: End-to-End Instruction-Following Evaluation with FlexBench
Trasforma una singola istruzione in una propria suite di test multi-turno; classifiche dei modelli e modalità di errore cambiano da un’istruzione all’altra.
-
Learning When to Think in Latent Visual Space: Reasoning Mode Adaptive Reinforcement Learning
Apprendimento per rinforzo che insegna ai modelli multimodali quando ragionare nello spazio visivo latente e quando nel testo.
-
To Answer or Not to Answer? Reliability-Oriented Reinforcement Learning for Visual Language Models
Una ricompensa basata su rubrica che insegna ai modelli visione-linguaggio ad astenersi dalle domande a cui non sanno rispondere, misurata su un nuovo benchmark, Reliable-V-Bench.
-
CAMFT: Conflict-Aware Mergeable Fine-Tuning for Large Language Models
Un fine-tuning che rende i modelli specializzati per task più facili da unire: ogni task aggiorna un insieme sparso di parametri con pochi conflitti tra task, e i modelli multi-task uniti superano quelli costruiti con il fine-tuning standard.
-
From Absolute to Relative: Rethinking Reward Shaping in Group-Based Reinforcement Learning
Classifiche relative al posto di punteggi assoluti come ricompensa nell’apprendimento per rinforzo basato su gruppi.
-
Think-Augmented Function Calling: Improving LLM Parameter Accuracy Through Embedded Reasoning
Un parametro di ragionamento in ogni firma di funzione fa riflettere il modello prima che compili un argomento, senza modifiche al modello e con piena compatibilità con le API.
-
Asymmetric Decision-Making in Online Knowledge Distillation: Unifying Consensus and Divergence
Distillazione online in cui gli studenti seguono ciò su cui gli insegnanti concordano, e gli insegnanti conservano ciò che li distingue.
-
Large Language Models Know What is Key Visual Entity: An LLM-assisted Multimodal Retrieval for VQA
Un modello linguistico individua le entità visive di cui una domanda ha bisogno, così il retrieval ignora il resto dell’immagine.