NLP
Fellow suit ce sujet depuis juillet 2026 : 63 articles résumés en français, dont 10 jugés majeurs ou notables.
Toute l'actualité · 63 articles
PleIas lance CommonLingua-Train
Un vaste corpus multilingue pour l'entraînement de modèles IA.
Feedback pédagogique : un protocole de classification testé dans la durée et entre langues
Un protocole validé pour classer les commentaires d'évaluation d'enseignement résiste au passage aux LLM récents et se transfère à l'anglais.
Annotations pour le dataset HellaSwag
Publication d'annotations détaillées pour le benchmark HellaSwag par Pleias.
OCRonos-Vintage : un modèle de Pleias pour la correction OCR de documents anciens
Pleias publie un modèle spécialisé dans le nettoyage et la correction de textes numérisés issus de documents patrimoniaux.
Des réseaux conceptuels pour représenter les expressions idiomatiques à travers les langues
Une approche par graphes de traits cognitifs révèle que les idiomes se regroupent selon leur schéma conceptuel plutôt que selon la langue d'origine.
Génération de données synthétiques pour la recherche IA financière avec NVIDIA NeMo
NVIDIA détaille comment combler les lacunes des datasets financiers déséquilibrés grâce à la génération de données synthétiques via NeMo.
Validité des LLM comme annotateurs : AMALIA face au construit d'autorité
Un modèle portugais de 9B paramètres annotait bien en surface, mais échoue les tests de validité théorique — accord n'est pas validité.
Repenser l'IA indienne à travers le prisme de la préservation du patrimoine culturel
Une analyse longitudinale de l'NLP en langues indiennes et une proposition de cadre « Culture Sensing » pour préserver la diversité linguistique face à l'homogénéisation par l'IA.
Lychee-FD : modélisation hiérarchique acoustico-sémantique pour les SLM full-duplex
Un nouveau framework résout les conflits de gradients entre modalités acoustique et sémantique qui dégradaient les modèles de parole full-duplex natifs.
Classification sectorielle des dépôts GitHub via le système NAICS
Des chercheurs publient NAICS-GH, un corpus de 6 588 dépôts GitHub étiquetés par secteur industriel avec 97 % de précision.
Lancement de CommonLingua par PleIAs
Une nouvelle collection de corpus textuels massifs pour le pré-entraînement.
GoldenSwag : un dataset de Pleias sur Hugging Face
Le lab Pleias publie GoldenSwag, un jeu de données disponible sur Hugging Face.
Common Corpus : le plus grand corpus textuel ouvert
Une base de données géante publiée par PleIAs pour entraîner des LLM éthiques.