OpenLID-v3: Повышение точности идентификации близкородственных языков — отчет о практическом опыте
OpenLID-v3: Improving the Precision of Closely Related Language Identification -- An Experience Report
February 13, 2026
Авторы: Mariia Fedorova, Nikolay Arefyev, Maja Buljan, Jindřich Helcl, Stephan Oepen, Egil Rønningstad, Yves Scherrer
cs.AI
Аннотация
Идентификация языка (Language Identification, LID) является важным этапом построения качественных многоязычных наборов данных из веб-содержимого. Существующие инструменты LID (такие как OpenLID или GlotLID) часто испытывают трудности с распознаванием близкородственных языков и с различением валидного естественного языка от шума, что загрязняет языково-специфичные подмножества, особенно для языков с ограниченными ресурсами. В данной работе мы расширяем классификатор OpenLID, добавляя больше обучающих данных, объединяя проблемные кластеры языковых вариантов и вводя специальную метку для обозначения шума. Мы называем эту расширенную систему OpenLID-v3 и оцениваем её в сравнении с GlotLID на нескольких бенчмарках. В процессе разработки мы сосредотачиваемся на трёх группах близкородственных языков (боснийский, хорватский и сербский; романские разновидности Северной Италии и Южной Франции; скандинавские языки) и создаём новые оценочные наборы данных там, где существующие недостаточны. Мы обнаружили, что ансамблевые подходы повышают точность, но также существенно снижают охват для языков с ограниченными ресурсами. OpenLID-v3 доступен по адресу 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.