Menu

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.

  1. EMNLP 2026, conferenza 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 autori)

    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.

  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

    Apprendimento per rinforzo che insegna ai modelli multimodali quando ragionare nello spazio visivo latente e quando nel testo.

  3. EMNLP 2026, conferenza 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

    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.

  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 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.

  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 autori)

    Classifiche relative al posto di punteggi assoluti come ricompensa nell’apprendimento per rinforzo basato su gruppi.

  6. ICASSP 2026

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

    Lei Wei, Xiao Peng, Jinpeng Ou, Bin Wang

    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.

  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

    Distillazione online in cui gli studenti seguono ciò su cui gli insegnanti concordano, e gli insegnanti conservano ciò che li distingue.

  8. EMNLP 2024, conferenza 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 modello linguistico individua le entità visive di cui una domanda ha bisogno, così il retrieval ignora il resto dell’immagine.