arXiv · cs.CL· Mich-Seth Owusu·· 6 天前AI 评分25
Africa-Papers：面向非洲基础语言模型的 100 亿 token 多领域学术语料库
Africa-Papers: A 10-Billion-Token Multi-Domain Academic Corpus for African Foundation Language Models
来源与原文
arXiv · cs.CL
作者：Mich-Seth Owusu
发布时间：（北京时间）
阅读原始来源 · arxiv.org ↗完整链接与内容说明
https://arxiv.org/abs/2610.28173v1
本站目前仅有 AI 导读与摘要，未展示原文正文；技术细节、代码和完整结论请查看原始来源。
AI 导读
研究者发布 Africa-Papers，这是迄今最大的多领域泛非学术预训练语料库，包含 844,807 篇全文论文、共 10.15 billion tokens，分 879 个 Parquet 分片，涵盖 DOAJ 非洲期刊、CGIAR CGSpace 农业库、arXiv 非洲作者预印本及 OpenAlex 开放获取论文四大学科来源。语料以保留章节结构、公式和表格的干净 Markdown 格式发布，配有精确 BPE token 计数和 8 域分类体系，已在 Hugging Face Hub 的 AfriSpeech 组织下开源，用于支持非洲基础模型的持续预训练与领域评测。
来源：arXiv · cs.CL · arxiv.org