研究发布拉丁语专用语言模型LAMB及两大新语料库Acervus与Corpus Trinum
2026年10月26日，arXiv发布论文arXiv:2610.31723v1，提出拉丁语专用编码器Latin Modern BERT（LAMB），基于ModernBERT架构，经两阶段预训练，使用超740亿拉丁语词元及新型形态学感知掩码策略；同时公开两个全新拉丁语语料库：含240亿词元的Acervus（含76万经ByT5修复的OCR损坏文本）和首个人工构建的拉丁语语义三元组数据集Corpus Trinum（超1亿强/弱三元组）。
推荐理由：该研究填补了古典语言NLP基础资源空白，首次系统构建面向拉丁语语义理解的大规模预训练模型与配套评测基准，并通过严谨实验验证LAMB在17个子任务中16项领先，具备明确技术贡献与可复现性；所有结论均严格对应arXiv论文摘要与事实提取内容，未引入外部信息。