AllenAI 发布 MADLAD-400 数据集, 应用在 自然语言处理、机器学习 领域

AllenAI 本次发布的数据集 MADLAD-400, 该数据集是一个经过人工审核的大规模多语言语料库，涵盖了419种语言，基于CommonCrawl的数据。在预训练过程中，我们使用了这个语料库的清洁版本，任务是进行语言模型的预训练。

查看MADLAD-400

Dataset card 内容： 

Files and versions 内容： 

关于 AllenAI , AllenAI是一个专注于推动人工智能研究、开发和应用的非营利性研究机构，由微软联合创始人保罗·艾伦创立。

关于 arXiv , arXiv 是一个免费分发服务和开放获取的学术文章档案库，涵盖了物理学、数学、计算机科学、定量生物学、定量金融、统计学、电气工程和系统科学以及经济学等领域。该网站上的材料并未经过 arXiv 的同行评审。