PulseAugur
中
实时 16:48:20
English(EN) RefinedGAW: A Refined German Academic Web Dataset

新的RefinedGAW数据集提供专门的德语学术网络内容

作者 PulseAugur 编辑部 · [2 个来源] ·

研究人员推出了RefinedGAW，这是一个新的德语学术网络内容数据集，旨在提供比广泛的网络抓取更高的领域特异性。该数据集包含1.22亿份文档和3140亿个token，其中84%被识别为学术研究、教育或专家导向的内容，商业偏见极小。尽管FineWeb2和FinePDFs的数据集规模要大得多，但RefinedGAW的876亿个学术研究内容token超过了它们各自的德语子集。该项目还提供了一个可查询的元数据索引和一个用于检索和处理源文档的工具。 AI

影响 为训练AI模型处理德语学术内容提供了一个专业数据集，有可能提高在特定领域任务中的性能。

排序理由 该集群描述了在arXiv上发布的一个新的学术数据集。

在 arXiv cs.CL 阅读 →

AI 生成摘要 · Google Gemini · 来自 2 个来源。 我们如何撰写摘要 →

新的RefinedGAW数据集提供专门的德语学术网络内容

本文如何被排名

Signal score
0 / 100
Composite score across the factors below. Higher = stronger signal that this story matters right now.
Newsworthiness bucket
Research
该集群描述了在arXiv上发布的一个新的学术数据集。
Source corroboration
2 independent sources
Multiple independent publishers reporting the same story raises confidence that it's real and newsworthy.
Topics
paper, other
Editorial topic classification. Feeds into how the story surfaces on /topic/<slug> hub pages and into the per-entity coverage mix.
AI-industry relevance
High
Clearly on-topic for AI-industry coverage.
Story freshness
11 days old
Aged out of breaking-news scoring windows; ranking reflects the durable signal from the full source set.

完整方法见我们的编辑标准。

报道来源 [2]

  1. arXiv cs.CL TIER_1 English(EN) · Maximilian Idahl, Oleh Astappiev, Benedikt Droste, Robert Scholz, Bj\"orn Pl\"uster, Jan Philipp Harries, Robert J\"aschke, Wolfgang Nejdl ·

    RefinedGAW：一个精炼的德国学术网络数据集

    arXiv:2610.34572v1 Announce Type: new Abstract: The largest open German text datasets are built from broad web crawls, which provide scale but limited coverage of specific domains. We introduce RefinedGAW, a processed and annotated resource derived from 26 semi-annual crawls of t…

  2. arXiv cs.IR (Information Retrieval) TIER_1 English(EN) · Wolfgang Nejdl ·

    RefinedGAW：一个精炼的德国学术网络数据集

    The largest open German text datasets are built from broad web crawls, which provide scale but limited coverage of specific domains. We introduce RefinedGAW, a processed and annotated resource derived from 26 semi-annual crawls of the German Academic Web, totaling 122 million doc…

相关实体

相关话题