arXiv · Computation and Language· Szymon Kocur·· 4 hr agoAI score37
Wieszcz-XIX：31 亿词 1918 年前波兰语语料与从零训练的时间受限语言模型
Wieszcz-XIX: A 3.1-Billion-Word Corpus of Pre-1918 Polish and Temporally Bounded Language Models Trained From Scratch
AI brief
研究者发布 Wieszcz-XIX 语料，含 6.75 billion tokens（约 3.1 billion words）、294,369 份 1800–1918 年波兰语文献，比同期已标注语料大三个数量级，post-1918 泄漏残留仅 0.04–0.38%，可识别文本字符错误率 0.68%。
Source: arXiv · Computation and Language · arxiv.org