L'article présente l'Alignement de Prototypes Ordinaux Latents (LOPA), un régulariseur basé sur des prototypes qui impose une priorité géométrique ordinale dans l'espace latent pour répondre à la structure négligée de l'acquisition du langage dans les Modèles de Langage Multimodaux Massifs. Couplé au Routage de Couches Ancrées Sémantiquement (SALR) pour la récolte adaptative de représentations depuis un encodeur Whisper figé, le framework atteint un RMSE de 0.361.
- LOPA impose des priorités géométriques ordinales directement sur l'espace latent.
- SALR récolte adaptivement des représentations multi-profondeurs depuis un encodeur Whisper figé.
- L'approche rivalise avec les systèmes à milliards de paramètres sans nécessiter de fine-tuning basé sur un LLM.
- L'analyse montre que SALR et LOPA fournissent des préférences interprétables et alignées sur les critères.
Ce travail offre une alternative de modélisation efficace et consciente de l'ordinalité aux modèles actuels centrés sur le scaling pour l'évaluation du langage parlé.