ترجمه فارسی مقاله Multilingual Needle in a Haystack: بررسی رفتار مدل‌های زبانی بزرگ چندزبانه در متن‌های طولانی

انتخاب پلن

انتخاب پلن برای ادامه خرید الزامی است.

عنوان مقاله به انگلیسی Multilingual Needle in a Haystack: Investigating Long-Context Behavior of Multilingual Large Language Models
عنوان مقاله به فارسی Multilingual Needle in a Haystack: بررسی رفتار مدل‌های زبانی بزرگ چندزبانه در متن‌های طولانی
نویسندگان Amey Hengle, Prasoon Bajpai, Soham Dan, Tanmoy Chakraborty
فرمت مقاله انگلیسی PDF
تعداد صفحات 13
لینک دانلود رایگان مقاله انگلیسی دانلود مقاله
دسته بندی موضوعات Computation and Language,Machine Learning,محاسبه و زبان , یادگیری ماشین ,
توضیحات Submitted 19 August, 2024; originally announced August 2024.
توضیحات به فارسی ارسال شده در 19 اوت 2024 ؛در ابتدا اوت 2024 اعلام شد.
اطلاعات بیشتر از این مقاله در پایگاه های علمی INSPIRE HEP
NASA ADS
Google Scholar
Semantic Scholar

📚 محتوای این محصول آموزشی (پکیج کامل)

علاوه بر مقاله اصلی انگلیسی که دریافت می کنید، برای یادگیری عمیق‌تر و تسلط کامل بر مباحث مجموعه‌ای از کتاب‌های آموزشی نیز ارائه می‌شود.

🎯 این بسته یک دورهٔ آموزشی کامل و چندلایه است؛ شامل ویدیوهای آموزشی، کتاب‌ها، تمرین‌ها و خودآزمایی.

ℹ️ نکات مهم هنگام خرید

  • این محصول به صورت فایل دانلودی کامل ارائه می‌شود.
  • توجه: لینک‌های اختصاصی دوره طی حداکثر 24 ساعت پس از ثبت سفارش ارسال می‌شوند.
  • دقت کنید لینک ها به شماره موبایل شما ارسال می شوند. پس در ارائه شماره موبایل صحیح دقت کنید.
  • برای راهنمایی در مورد نحوه دانلود به شماره 09395106248 پیامک دهید یا تماس بگیرید. (ایده آل ترین گزینه ارسال پیام در یکی از پیام رسان ها به همین شماره است تا سریعا لینک های محصول همان جا برای شما ارسال گردد.)
  • اگر پرداخت انجام شده ولی بعد از 24 ساعت هنوز لینک‌ها را دریافت نکرده‌اید، نام و نام خانوادگی و نام محصول را پیامک کنید تا لینک‌ها دوباره ارسال شوند.

💬 راه‌های ارتباطی پشتیبانی:
واتس‌اپ یا هر پیام رسان داخلی یا پیامک: 09395106248
تلگرام: @ma_limbs

چکیده

While recent large language models (LLMs) demonstrate remarkable abilities in responding to queries in diverse languages, their ability to handle long multilingual contexts is unexplored. As such, a systematic evaluation of the long-context capabilities of LLMs in multilingual settings is crucial, specifically in the context of information retrieval. To address this gap, we introduce the MultiLingual Needle-in-a-Haystack (MLNeedle) test, designed to assess a model's ability to retrieve relevant information (the needle) from a collection of multilingual distractor texts (the haystack). This test serves as an extension of the multilingual question-answering task, encompassing both monolingual and cross-lingual retrieval. We evaluate four state-of-the-art LLMs on MLNeedle. Our findings reveal that model performance can vary significantly with language and needle position. Specifically, we observe that model performance is the lowest when the needle is (i) in a language outside the English language family and (ii) located in the middle of the input context. Furthermore, although some models claim a context size of $8k$ tokens or greater, none demonstrate satisfactory cross-lingual retrieval performance as the context length increases. Our analysis provides key insights into the long-context behavior of LLMs in multilingual settings to guide future evaluation protocols. To our knowledge, this is the first study to investigate the multilingual long-context behavior of LLMs.

چکیده به فارسی (ترجمه ماشینی)

در حالی که مدلهای بزرگ زبان بزرگ (LLMS) توانایی های قابل توجهی را در پاسخ به نمایش داده ها به زبان های متنوع نشان می دهند ، توانایی آنها در رسیدگی به زمینه های چند زبانه طولانی ناشناخته است.به این ترتیب ، ارزیابی سیستماتیک از قابلیت های طولانی مدت LLMS در تنظیمات چند زبانه ، به ویژه در زمینه بازیابی اطلاعات بسیار مهم است.برای پرداختن به این شکاف ، ما تست چند زبانه سوزن سوزن (MLNEEDLE) را معرفی می کنیم ، که برای ارزیابی توانایی یک مدل در بازیابی اطلاعات مربوطه (سوزن) از مجموعه ای از متون پریشانی چند زبانه (یونجه) طراحی شده است.این تست به عنوان گسترش کار پاسخ به سؤال چند زبانه است که شامل بازیابی یک زبانه و متقابل است.ما چهار LLM های پیشرفته را در Mlneedle ارزیابی می کنیم.یافته های ما نشان می دهد که عملکرد مدل می تواند با موقعیت زبان و سوزن متفاوت باشد.به طور خاص ، ما مشاهده می کنیم که عملکرد مدل کمترین زمانی است که سوزن (i) به زبانی خارج از خانواده زبان انگلیسی و (ii) در وسط زمینه ورودی واقع شود.علاوه بر این ، اگرچه برخی از مدلها ادعا می کنند اندازه متن 8K $ $ نشانه ها یا بیشتر هستند ، اما هیچ یک از عملکرد بازیابی متقابل رضایت بخش با افزایش طول زمینه نشان نمی دهند.تجزیه و تحلیل ما بینش کلیدی در مورد رفتار طولانی مدت LLM ها در تنظیمات چند زبانه برای هدایت پروتکل های ارزیابی آینده ارائه می دهد.به دانش ما ، این اولین مطالعه برای بررسی رفتار چند زبانه طولانی مدت LLMS است.

📚 محتوای این محصول آموزشی (پکیج کامل)

علاوه بر مقاله اصلی انگلیسی که دریافت می کنید، برای یادگیری عمیق‌تر و تسلط کامل بر مباحث مجموعه‌ای از کتاب‌های آموزشی نیز ارائه می‌شود.

🎯 این بسته یک دورهٔ آموزشی کامل و چندلایه است؛ شامل ویدیوهای آموزشی، کتاب‌ها، تمرین‌ها و خودآزمایی.

ℹ️ نکات مهم هنگام خرید

  • این محصول به صورت فایل دانلودی کامل ارائه می‌شود.
  • توجه: لینک‌های اختصاصی دوره طی حداکثر 24 ساعت پس از ثبت سفارش ارسال می‌شوند.
  • دقت کنید لینک ها به شماره موبایل شما ارسال می شوند. پس در ارائه شماره موبایل صحیح دقت کنید.
  • برای راهنمایی در مورد نحوه دانلود به شماره 09395106248 پیامک دهید یا تماس بگیرید. (ایده آل ترین گزینه ارسال پیام در یکی از پیام رسان ها به همین شماره است تا سریعا لینک های محصول همان جا برای شما ارسال گردد.)
  • اگر پرداخت انجام شده ولی بعد از 24 ساعت هنوز لینک‌ها را دریافت نکرده‌اید، نام و نام خانوادگی و نام محصول را پیامک کنید تا لینک‌ها دوباره ارسال شوند.

💬 راه‌های ارتباطی پشتیبانی:
واتس‌اپ یا هر پیام رسان داخلی یا پیامک: 09395106248
تلگرام: @ma_limbs

نظرات

هنوز نظری ثبت نشده است.

وارد شوید تا نظر ثبت کنید.