File size: 1,321 Bytes
2a7b16c |
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36 37 38 39 40 41 42 43 44 45 46 47 48 49 50 51 52 53 |
---
license: cc-by-4.0
language:
- zh
- ug
- bo
- en
---
# CUTE Dataset
CUTE (Chinese, Uyghur, Tibetan, English) 是一个大规模多语言数据集，专门设计用于增强低资源语言的跨语言知识迁移。数据集包含平行语料和非平行语料两部分，总规模约50GB。
## 数据集组成
### 平行语料 (24.70GB)
- 中文：2.62GB
- 英语：3.49GB
- 维吾尔语：7.37GB
- 藏语：11.22GB
### 非平行语料 (25.80GB)
- 中文：2.64GB
- 英语：3.49GB
- 维吾尔语：7.77GB
- 藏语：11.90GB
## 数据质量
数据集通过机器翻译生成，并经过人工评估验证：
- 中英翻译平均得分：9.1
- 中维翻译平均得分：8.5
- 中藏翻译平均得分：8.6
## 相关链接
- 📝 [论文](https://aclanthology.org/2025.coling-main.670/)
- 🤖 [模型](https://huggingface.co/CMLI-NLP/CUTE-Llama)
- 📂 [GitHub](https://github.com/CMLI-NLP/CUTE)
## 引用
如果您使用了我们的数据集，请引用我们的论文：
```bibtex
@inproceedings{zhuang2025cute,
title={CUTE: A Multilingual Dataset for Enhancing Cross-Lingual Knowledge Transfer in Low-Resource Languages},
author={Zhuang, Wenhao and Sun, Yuan},
booktitle={Proceedings of the 31st International Conference on Computational Linguistics},
pages={10037--10046},
year={2025}
}
``` |