An Expanded Massive Multilingual Dataset for High-Performance Language Technologies (HPLT)

Kód výsledku v IS VaVaI

<a href="https://www.isvavai.cz/riv?ss=detail&h=RIV%2F00216208%3A11320%2F25%3A10511576" target="_blank" >RIV/00216208:11320/25:10511576 - isvavai.cz</a>

Výsledek na webu

<a href="https://aclanthology.org/2025.acl-long.854/" target="_blank" >https://aclanthology.org/2025.acl-long.854/</a>

DOI - Digital Object Identifier

<a href="http://dx.doi.org/10.18653/v1/2025.acl-long.854" target="_blank" >10.18653/v1/2025.acl-long.854</a>

Jazyk výsledku

angličtina

Název v původním jazyce

An Expanded Massive Multilingual Dataset for High-Performance Language Technologies (HPLT)

Popis výsledku v původním jazyce

Training state-of-the-art large language models requires vast amounts of clean and diverse textual data. However, building suitable multilingual datasets remains a challenge. In this work, we present HPLT v2, a collection of high-quality multilingual, monolingual and parallel corpora, extending prior work of the HPLT project. The monolingual portion of the data contains 8T tokens covering 193 languages, while the parallel data contains 380M sentence pairs covering 51 languages. We document the entire data pipeline and release the code to reproduce it. We provide extensive analysis of the quality and characteristics of our data. Finally, we evaluate the performance of language models and machine translation systems trained on HPLT v2, demonstrating its value.

Název v anglickém jazyce

An Expanded Massive Multilingual Dataset for High-Performance Language Technologies (HPLT)

Popis výsledku anglicky

Training state-of-the-art large language models requires vast amounts of clean and diverse textual data. However, building suitable multilingual datasets remains a challenge. In this work, we present HPLT v2, a collection of high-quality multilingual, monolingual and parallel corpora, extending prior work of the HPLT project. The monolingual portion of the data contains 8T tokens covering 193 languages, while the parallel data contains 380M sentence pairs covering 51 languages. We document the entire data pipeline and release the code to reproduce it. We provide extensive analysis of the quality and characteristics of our data. Finally, we evaluate the performance of language models and machine translation systems trained on HPLT v2, demonstrating its value.

Druh

D - Stať ve sborníku

CEP obor

—

OECD FORD obor

10201 - Computer sciences, information science, bioinformathics (hardware development to be 2.2, social aspect to be 5.8)

Projekt

—

Návaznosti

I - Institucionalni podpora na dlouhodoby koncepcni rozvoj vyzkumne organizace

Rok uplatnění

2025

Kód důvěrnosti údajů

S - Úplné a pravdivé údaje o projektu nepodléhají ochraně podle zvláštních právních předpisů

Název statě ve sborníku

Proceedings of the 63rd Annual Meeting of the Association for Computational Linguistics (Volume 1: Long Papers)

ISBN

979-8-89176-251-0

ISSN

—

e-ISSN

—

Počet stran výsledku

34

Strana od-do

17452-17485

Název nakladatele

Association for Computational Linguistics

Místo vydání

Kerrville, TX, USA

Místo konání akce

Wien, Austria

Datum konání akce

27. 7. 2025

Typ akce podle státní příslušnosti

WRD - Celosvětová akce

Kód UT WoS článku

—