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)→
「研究」频道最新
- ICLR 审稿人未被打动仍提分:因相信论文对社区有价值 — MarkSchmidtUBC · 2026-11-16
- 手改0.2%权重加CPU训练100分钟,英语TTS模型变身18MB梵语语音 — kastnerkyle · 2026-11-16
- 为什么 AI 做化学必须懂手性:对映异构体在生物体内并不等价 — madeofAjala · 2026-11-16
- RSS 2027 投稿开启:两阶段评审 FAQ 澄清负面结果标准 — GeorgiaChal · 2026-11-16
- Mobile AI Factory:agent 自动为你的手机造专用小模型,GPU 时间省 19 倍 — pmttyji · 2026-11-16
- UC Berkeley 论文揭示 LLM「过期绑定」:新值在上下文中仍答旧值 — ombre-ai · 2026-11-16