LatamGPT 开源 1.78 亿篇拉美多语言语料登陆 Hugging Face

OmarUFlorez · x · 2026-11-16

LatamGPT 团队在 Hugging Face 上开放了两个数据集,共含 1.784 亿篇西班牙语、葡萄牙语和英语文档,来源覆盖拉美与加勒比地区的书籍、新闻和机构馆藏,由区域伙伴共同构建。其中开放访问部分包含 1.434 亿篇文档、约 2425 亿 token,可用于继续预训练、领域适配和语料研究。目标是让模型更好地表征拉美各地的西语/葡语变体——大学可研究欠表征的语言变体,创业公司可适配本地术语,公共机构可构建识别本土机构名称的助手。

原文链接 →

「研究」频道最新

更多「研究」频道 AI 资讯 →