Більшість веб-даних (дуже) малоресурсними мовами — це Біблія та Вікіпедія. А решта? @huggingface команда даних запускала Gemma3 27B протягом 3 місяців, щоб перекласти його англійською, покращити моделі перекладу та внести культурний контекст із 500+ мовних спільнот у дані навчання англійської. Ось повний конвеєр