GitHubが多言語リポジトリデータセットをCC0で公開――4000万以上のリポジトリを収録
GitHubが多言語リポジトリデータセットをCC0で公開――4000万以上のリポジトリを収録
| 項目 | 内容 |
|---|---|
| ジャンル | AI |
| 日付 | 2026-06-16 |
| 元記事 | GitHub Blog |
要約
GitHubは多言語リポジトリデータセット（Multilingual Repositories Dataset）をCC0-1.0ライセンスで公開した。README・イシュー・プルリクエストにおいて非英語の開発者コンテンツを持つ4000万以上のリポジトリを、8000万超の分類行で網羅する大規模データセットだ。英語偏重が課題だった多言語AIコードモデルの開発・研究を加速するオープンデータ基盤として期待されており、非英語圏開発者のコンテンツ識別・分析・トレーニングデータ作成に活用できる。特にアジア・欧州言語での開発者コンテンツが十分に含まれることが多言語対応の強化につながるとされる。