CMLI-NLP/

CUTE-Datasets

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

中文：2.64GB 英语：3.49GB 维吾尔语：7.77GB 藏语：11.90GB

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

	使用说明




	


	⚠️ 平行语料重要提醒

关于句对级对齐：

四种语言的txt文件行数略有不同（如论文Table 2所示）… See the full description on the dataset page: https://huggingface.co/datasets/CMLI-NLP/CUTE-Datasets.