ATE-2 : intégrations de texte arménien de pointe et référence ArmBench-TextEmbed

Les langues à faibles ressources (LRL) se heurtent généralement à de grandes barrières pour entrer dans la PNL moderne. L'hypothèse dominante est que pour former des modèles d'intégration de texte efficaces pour des tâches telles que la génération augmentée par récupération (RAG) et la recherche sémantique, vous avez besoin d'un ensemble de données massif et/ou de haute qualité.

Avec la sortie de nos modèles ATE-2 (Armenian Text Embeddings 2), nous remett...
[Courte citation de 8% de l'article original]