Nepali Preprocessed Corpus

kaggle2026-08-18 更新2026-08-26 收录

低资源语言

尼泊尔语处理

数据链接：

https://www.kaggle.com/datasets/madhamanish/nepali-preprocessed-corpus 数据链接链接失效反馈

官方服务：

资源简介：

Final preprocessed Nepali corpus for low-resource language model project

用于低资源语言模型项目的最终预处理完成的尼泊尔语语料库

创建时间：

2026-08-18

Bangla2B+

自然语言处理

低资源语言

Bangla2B+是一个专为低资源语言Bangla设计的预训练数据集，由孟加拉工程技术大学的研究团队创建。该数据集通过爬取110个流行的Bangla网站，收集了约27.5GB的数据，涵盖了百科全书、新闻、博客、电子书、故事和社交媒体等多种内容。创建过程中，研究团队对数据进行了彻底的去重和过滤，确保了数据的质量。Bangla2B+数据集主要用于支持Bangla语言的自然语言理解应用，特别是在零样本跨

arXiv2022-05-10 更新260

mtob

机器翻译

低资源语言

MTOB for Code-LLaVA是一个用于低资源语言Kalamang与英语之间翻译任务的数据集。它包含两种配置：'memwrap'和'plain'，分别表示带有和不带有记忆标记的语法教科书内容。数据集的结构包括prompt、category和extra_info等字段，其中extra_info包含ground_truth和scoring_function等信息。数据集的使用和评估方法也进行了

Hugging Face2026-01-20 更新210

guizme/adlam_francais

机器翻译

低资源语言

该数据集包含法语和普拉尔语（使用Adlam文字）之间的对齐句子对，以Parquet格式存储。数据集由Organisation pour la promotion de la langue Pulaar (Winden jangen ADLaM)制作，旨在促进普拉尔语的使用和研究。数据结构包含两列：fr列存储法语文本，pulaar列存储普拉尔语文本。

Hugging Face2025-12-14 更新90

LORELEI Akan Representative Language Pack

低资源语言

自然语言处理

Introduction LORELEI Akan Representative Language Pack consists of Akan monolingual text, Akan-English parallel text, annotations, supplemental resources and related software tools developed

DataCite Commons2021-01-19 更新240

jamalimubashirali/sindhi-pretraining-corpus-part3

信德语预训练

低资源语言

--- dataset_info: features: - name: book_id dtype: int64 - name: url dtype: string - name: source dtype: string - name: text dtype: string - name: chunk_index dtype: in

Hugging Face2026-03-23 更新110

Nepali Preprocessed Corpus

资源简介：

相关数据集