כתבה
arXiv cs.CL ·
Aslema ב-NADI 2026: הרחבת נתונים להכרה מכוונת ומילוי קופסאות
Aslema at NADI 2026: Data Augmentation for Intent Recognition and Slot Filling
מערכת Aslema ל-NADI 2026 Shared Task 5: הרחבת נתונים להכרה מכוונת ומילוי קופסאות. המערכת כוללת תרגול של ארבעה LLMs בלי תרגול והשוואה לתרגול מובנה. התוצאות מראות כי תרגול מובנה עולה על תרגול ללא. נוסו גם נתונים סינתטיים שנוצרו על ידי LLM ליצירת דיבור סינתטי. השיטה הסינתטית תרמה לשיפור בשני התחומים. המערכת הסופית, המבוססת על Qwen3-Omni-30B ומשולבת עם נתונים סינתטיים, הציגה 86.8% דיוק בהכרה מכוונת ו-34.7 WER במילוי קופסאות. בקבוצת המבחן הרשמית, המערכת דורגה ראשונה במילוי קופסאות (59.5 CoER) ורביעית בהכרה מכוונת (66.1% דיוק) בין 8 קבוצות.
תקציר מקורי באנגליתarXiv:2608.18689v3 Announce Type: replace Abstract: We present Aslema, our system for NADI 2026 Shared Task 5, which consists of two subtasks: intent recognition and slot filling. We evaluate four omni LLMs in a zero-shot setting and compare them with fine-tuned models. Our results show that fine-tuning consistently outperforms zero-shot inference. We further explore synthetic data augmentation by using an LLM to generate culturally grounded Tunisian Derja utterances, followed by voice cloning to generate synthetic speech. Incorporating this synthetic data improves performance on both tasks. Our final submitted system, based on Qwen3-Omni-30B and trained with a mixture of original and synthetic data, achieves 86.8% intent accuracy and 34.7 WER on the devtest split. On the official test set
קרא במקור המקורי
arxiv.org
פתח כתבה מקורית