#natural-language-processing Dépôts
798 dépôts au total
Ressources et outils pour le traitement du langage naturel (NLP) des langues indiennes
Le développement et les perspectives futures des grands modèles de raisonnement multimodaux.
Une liste organisée de ressources sur l'apprentissage par renforcement multi-modal (mise à jour en continu)
Modèle multimodal pour données textuelles et tabulaires avec des transformeurs HuggingFace comme bloc de construction pour les données textuelles
[ICRA2023] Implémentation de cartes visuo-linguistiques pour la navigation robotique
MLGym Un Nouveau Framework et Benchmark pour faire Progresser les Agents de Recherche en IA
[NeurIPS 2021] Benchmarks multiscales pour l'apprentissage de représentations multimodales
Une référence en apprentissage automatique des décalages de distribution dans la nature, avec des chargeurs de données, des évaluateurs et des modèles par défaut.
Code et jeux de données pour "Character-LLM : un agent entraînable pour le jeu de rôle"
Ce dépôt contient le code d'évaluation pour l'article « MMMU : Une référence massive multidisciplinaire multimodale pour la compréhension et le raisonnement destinée à l'expert AGI »
Le dépôt officiel du papier « (Perhaps) Beyond Human Translation: Harnessing Multi-Agent Collaboration for Translating Ultra-Long Literary Texts »
Jeux de données basés sur les tâches, prétraitement et évaluation pour les modèles de séquence.
Transformers pour le traitement du langage naturel, publié par Packt
SelfCheckGPT : Détection d'hallucinations en boîte noire à zéro ressource pour les grands modèles de langage génératifs
Une collection de jeux de données qui associent des questions à des requêtes SQL.
Intégrez, regroupez et étiquetez sémantiquement des ensembles de données textuelles en toute simplicité
Ce dépôt contient tout ce dont vous avez besoin pour devenir compétent en apprentissage automatique
Chain-of-Agents : Modèles de Fondation d'Agents de Bout en Bout via la Distillation Multi-Agents et le RL Agéntique.
Meta Agents Research Environments est une plateforme complète conçue pour évaluer les agents d'IA dans des scénarios dynamiques et réalistes. Contrairement aux benchmarks statiques, cette plateforme introduit des environnements en évolution où les agents doivent adapter leurs stratégies à mesure que de nouvelles informations deviennent disponibles, reflétant ainsi les défis du monde réel.
Intervention au moment de l'inférence : Obtenir des réponses véridiques d'un modèle linguistique
Pragmatic Segmenter est une bibliothèque basée sur des règles pour la détection des limites de phrases qui fonctionne immédiatement dans de nombreuses langues.
Un dépôt NLP d'apprentissage profond qui résume le prétraitement du texte, les modèles de sujets et les tâches en aval de modèles de pointe tels que BERT, GPT et LLM à l'aide de TensorFlow.
Codage d'un modèle linguistique multimodal (Vision) à partir de zéro dans PyTorch avec explication complète : https://www.youtube.com/watch?v=vAmKB7iPkWw
[ECCV 2024 Présentation Orale] Code pour l'article : Une image vaut 1/2 jeton après la couche 2 : Accélération de l'inférence plug-and-play pour les grands modèles vision-langage
:snake: mecab-python. Vous pouvez trouver la version originale ici : http://taku910.github.io/mecab/
Liste d'articles sur la traduction simultanée / traduction en streaming, y compris la traduction automatique texte-à-texte et la traduction parole-à-texte.
Une liste organisée de ressources impressionnantes sur les modèles de diffusion discrets.
Implémentation d'un wrapper disco-diffusion exécutable sur votre propre GPU avec une entrée de texte par lots.
[ICML 2025 Oral] CodeI/O : Condenser les modèles de raisonnement par la prédiction des entrées-sorties du code
Liens vers les publications de conférences/journaux sur la vérification automatique des faits (ressources pour l'article TACL22/EMNLP23).