研究人员推出了 CzechDocs，一个旨在评估能够保持文档格式的机器翻译系统的新数据集。这个多路并行数据集包含捷克语和几种少数民族语言（如乌克兰语、英语和越南语）的文档，格式为 HTML、DOCX 和 PDF。该数据集旨在推动文档级翻译研究，并已发布验证集和评估工具包，测试集计划在未来的共享任务中发布。 AI
影响 促进了能够保持文档格式的机器翻译系统的开发，这对于准确的跨语言信息检索至关重要。
排序理由 该集群描述了在 arXiv 上发布的一个用于研究目的的新数据集。
AI 生成摘要 · Google Gemini · 来自 2 个来源。 我们如何撰写摘要 →
arXiv:2606.20212v1 Announce Type: new Abstract: We present CzechDocs, a multiway parallel dataset of formatted documents (HTML, DOCX, and PDF) covering Czech and minority languages used in Czechia-primarily Ukrainian and English, with smaller portions of Vietnamese, Russian and o…
We present CzechDocs, a multiway parallel dataset of formatted documents (HTML, DOCX, and PDF) covering Czech and minority languages used in Czechia-primarily Ukrainian and English, with smaller portions of Vietnamese, Russian and other languages. The dataset is designed to suppo…