PulseAugur
中
实时 17:15:10
English(EN) CzechDocs: A Multiway Parallel Dataset of Formatted Documents for Minority Languages in Czechia

新 CzechDocs 数据集助力格式保持的机器翻译研究

作者 PulseAugur 编辑部 · [2 个来源] ·

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。

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 CzechDocs 数据集助力格式保持的机器翻译研究

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 上发布的一个用于研究目的的新数据集。
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
112 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) · Josef Jon, Ond\v{r}ej Bojar ·

    CzechDocs：捷克少数民族语言的格式化文档多路并行数据集

    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…

  2. arXiv cs.CL TIER_1 English(EN) · Ondřej Bojar ·

    CzechDocs：捷克少数民族语言的格式化文档多路并行数据集

    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…

相关实体

相关话题