LatamGPT 开源 1.78 亿文献语料,覆盖拉美三语 2900 亿 token

OmarUFlorez · x · 2026-11-16

LatamGPT 项目在 Hugging Face 上发布两个数据集,共含 1.784 亿文档、约 2905 亿 token,覆盖西班牙语、葡萄牙语和英语,来源包括拉美及加勒比地区的书籍、新闻和机构收藏。语料与区域伙伴合作构建,旨在帮助社区开发更好代表拉美西语/葡语变体的模型。开放访问部分含 1.434 亿文档(约 2425 亿 token),可用于继续预训练和领域适配;大学可研究欠代表的语言变体,初创公司可适配本地术语,公共机构可构建识别本地机构名称的助手。

所属事件:LatamGPT 开源 1.78 亿篇拉美三语语料登陆 Hugging Face(2 条相关)→

原文链接 →

「研究」频道最新

更多「研究」频道 AI 资讯 →