연구진이 라틴어 전용 언어 모델 LAMB와 두 개의 새로운 말뭉치인 Acervus 및 Corpus Trinum을 발표했습니다.
2026년 10월 26일, arXiv는 논문 arXiv:2610.31723v1을 발표하여 라틴어 전용 엔코더인 Latin Modern BERT(LAMB)를 제안했다. 이 모델은 ModernBERT 아키텍처를 기반으로 하며, 두 단계의 사전훈련 과정을 거쳤고, 740억 개가 넘는 라틴어 토큰과 새로운 형태론적 감지 마스크 전략을 사용한다. 동시에 두 개의 완전히 새로운 라틴어 코퍼스도 공개했는데, 하나는 240억 개의 토큰을 포함하는 Acervus로, 여기에는 ByT5를 통해 복구된 OCR 오류 텍스트 76만 건이 포함된다. 또 다른 하나는 최초로 인공적으로 구축된 라틴어 의미 트리플 데이터셋 Corpus Trinum으로, 강/약 트리플이 1억 개를 상회한다.
추천 이유：이 연구는 고전 언어 NLP의 기초 자원 부족을 해소하고, 라틴어의 의미 이해를 위한 대규모 사전훈련 모델과 이를 지원하는 평가 벤치마크를 최초로 체계적으로 구축했으며, 엄밀한 실험을 통해 LAMB가 17개 하위 과제 중 16개에서 우위를 보임을 입증함으로써 명확한 기술적 기여와 재현 가능성을 확보했습니다. 모든 결론은 arXiv 논문 초록 및 사실 추출 내용에 엄격히 부합하며, 외부 정보는 전혀 도입되지 않았습니다.