INCLUIR: Avaliação da Compreensão de Linguagem Multilíngue com Conhecimento Regional

INCLUDE: Evaluating Multilingual Language Understanding with Regional Knowledge

November 29, 2024

Autores: Angelika Romanou, Negar Foroutan, Anna Sotnikova, Zeming Chen, Sree Harsha Nelaturu, Shivalika Singh, Rishabh Maheshwary, Micol Altomare, Mohamed A. Haggag, Snegha A, Alfonso Amayuelas, Azril Hafizi Amirudin, Viraat Aryabumi, Danylo Boiko, Michael Chang, Jenny Chim, Gal Cohen, Aditya Kumar Dalmia, Abraham Diress, Sharad Duwal, Daniil Dzenhaliou, Daniel Fernando Erazo Florez, Fabian Farestam, Joseph Marvin Imperial, Shayekh Bin Islam, Perttu Isotalo, Maral Jabbarishiviari, Börje F. Karlsson, Eldar Khalilov, Christopher Klamm, Fajri Koto, Dominik Krzemiński, Gabriel Adriano de Melo, Syrielle Montariol, Yiyang Nan, Joel Niklaus, Jekaterina Novikova, Johan Samir Obando Ceron, Debjit Paul, Esther Ploeger, Jebish Purbey, Swati Rajwal, Selvan Sunitha Ravi, Sara Rydell, Roshan Santhosh, Drishti Sharma, Marjana Prifti Skenduli, Arshia Soltani Moakhar, Bardia Soltani Moakhar, Ran Tamir, Ayush Kumar Tarun, Azmine Toushik Wasi, Thenuka Ovin Weerasinghe, Serhan Yilmaz, Mike Zhang, Imanol Schlag, Marzieh Fadaee, Sara Hooker, Antoine Bosselut

cs.AI

Resumo

A diferença de desempenho dos grandes modelos de linguagem (LLM) entre idiomas dificulta sua implantação eficaz em muitas regiões, inibindo o potencial valor econômico e social das ferramentas de IA generativa em muitas comunidades. No entanto, o desenvolvimento de LLMs funcionais em muitos idiomas (ou seja, LLMs multilíngues) é limitado pela falta de recursos de avaliação de alta qualidade em idiomas que não sejam o inglês. Além disso, as práticas atuais na construção de benchmarks multilíngues frequentemente traduzem recursos em inglês, ignorando o conhecimento regional e cultural dos ambientes nos quais os sistemas multilíngues seriam utilizados. Neste trabalho, construímos uma suíte de avaliação de 197.243 pares de perguntas e respostas de fontes de exames locais para medir as capacidades dos LLMs multilíngues em uma variedade de contextos regionais. Nosso novo recurso, INCLUDE, é um benchmark abrangente centrado no conhecimento e raciocínio em 44 idiomas escritos que avalia os LLMs multilíngues quanto ao desempenho nos ambientes linguísticos reais onde seriam implantados.

English

The performance differential of large language models (LLM) between languages hinders their effective deployment in many regions, inhibiting the potential economic and societal value of generative AI tools in many communities. However, the development of functional LLMs in many languages (\ie, multilingual LLMs) is bottlenecked by the lack of high-quality evaluation resources in languages other than English. Moreover, current practices in multilingual benchmark construction often translate English resources, ignoring the regional and cultural knowledge of the environments in which multilingual systems would be used. In this work, we construct an evaluation suite of 197,243 QA pairs from local exam sources to measure the capabilities of multilingual LLMs in a variety of regional contexts. Our novel resource, INCLUDE, is a comprehensive knowledge- and reasoning-centric benchmark across 44 written languages that evaluates multilingual LLMs for performance in the actual language environments where they would be deployed.