OpenLID-v3: Melhorando a Precisão na Identificação de Línguas Próximas -- Um Relato de Experiência
OpenLID-v3: Improving the Precision of Closely Related Language Identification -- An Experience Report
February 13, 2026
Autores: Mariia Fedorova, Nikolay Arefyev, Maja Buljan, Jindřich Helcl, Stephan Oepen, Egil Rønningstad, Yves Scherrer
cs.AI
Resumo
A identificação de línguas (LID) é uma etapa essencial na construção de conjuntos de dados multilingues de alta qualidade a partir de dados da web. As ferramentas de LID existentes (como OpenLID ou GlotLID) frequentemente têm dificuldade em identificar línguas estreitamente relacionadas e em distinguir linguagem natural válida de ruído, o que contamina os subconjuntos específicos de cada língua, especialmente para línguas de baixos recursos. Neste trabalho, estendemos o classificador OpenLID adicionando mais dados de treino, fundindo *clusters* de variantes linguísticas problemáticas e introduzindo uma etiqueta especial para marcar ruído. Denominamos este sistema estendido de OpenLID-v3 e avaliamo-lo em comparação com o GlotLID em múltiplos *benchmarks*. Durante o desenvolvimento, focamo-nos em três grupos de línguas estreitamente relacionadas (Bósnio, Croata e Sérvio; variedades românicas do Norte de Itália e Sul de França; e línguas escandinavas) e contribuímos com novos conjuntos de dados de avaliação onde os existentes são inadequados. Concluímos que as abordagens de *ensemble* melhoram a precisão, mas também reduzem substancialmente a cobertura para línguas de baixos recursos. O OpenLID-v3 está disponível em https://huggingface.co/HPLT/OpenLID-v3.
English
Language identification (LID) is an essential step in building high-quality multilingual datasets from web data. Existing LID tools (such as OpenLID or GlotLID) often struggle to identify closely related languages and to distinguish valid natural language from noise, which contaminates language-specific subsets, especially for low-resource languages. In this work we extend the OpenLID classifier by adding more training data, merging problematic language variant clusters, and introducing a special label for marking noise. We call this extended system OpenLID-v3 and evaluate it against GlotLID on multiple benchmarks. During development, we focus on three groups of closely related languages (Bosnian, Croatian, and Serbian; Romance varieties of Northern Italy and Southern France; and Scandinavian languages) and contribute new evaluation datasets where existing ones are inadequate. We find that ensemble approaches improve precision but also substantially reduce coverage for low-resource languages. OpenLID-v3 is available on https://huggingface.co/HPLT/OpenLID-v3.