Inception-MBZUAI 发布 Arabic Training Data 数据集, 应用在 自然语言处理、机器学习 领域

Inception-MBZUAI 本次发布的数据集 Arabic Training Data, 该数据集是一个大规模的阿拉伯语数据集，它汇集了来自多个来源的信息，包括新闻文章、维基百科和书籍，并通过加入英文翻译来增强阿拉伯语的逻辑推理能力。该数据集旨在提升大型语言模型在阿拉伯语方面的性能，以解决现有模型主要在英语上训练所存在的局限性。数据集的规模宏大，包含数百亿个词汇，具体来说，包括1160亿个阿拉伯语词汇单位和2320亿个英语词汇单位。其任务是对语言模型进行预训练。

查看Arabic Training Data

Dataset card 内容： 

Files and versions 内容： 

关于 Inception-MBZUAI , -

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。