GitHub 公佈 Multilingual Repositories Dataset，提升 AI 開發者在多語言環境中的應用
為何重要
提供結構化的非英文開發內容資料，使 AI 編碼與檔案生成工具能更精準地支援多語言開發者社群，促程序式碼生態的包容性。
GitHub 發布名為「GitHub Multilingual Repositories Dataset」的新開放資料集，涵蓋超過 4,000 萬個儲存庫的 README、Issue 與 Pull Request 的語言識別結果。該資料集整合了 fastText、gcld3 與 lingua-py 多種演算法的判讀，並提供更高的信心分數作為篩選依據，遵循 CC0-1.0 授權，旨在解決歐洲語言及低資源語言在 AI 訓練資料中代表性不足的問題。