Institutional Books 1.0 est un corpus croissant de livres du domaine public qui sera publié par l'Université Harvard en 2025. Les résultats de l'article correspondant sont les suivants :Livres institutionnels 1.0 : un ensemble de données de jetons de 242 B provenant des collections de la bibliothèque de Harvard, affiné pour plus de précision et de convivialité". L'ensemble de données comprend 983 004 livres du domaine public en 254 langues, principalement publiés aux XIXe et XXe siècles. Il contient 242 milliards de jetons et 386 millions de pages de texte. Il est disponible aux formats d'exportation OCR originaux et post-traités.

Citation

@misc{cargnelutti2025institutionalbooks10242b, titre={Livres institutionnels 1.0 : un ensemble de données de 242 milliards de jetons provenant des collections de la bibliothèque de Harvard, affiné pour plus de précision et de facilité d’utilisation}, auteur={Matteo Cargnelutti et Catherine Brobston et John Hess et Jack Cushman et Kristi Mukk et Aristana Scourtas et Kyle Courtney et Greg Leppert et Amanda Watson et Martha Whitehead et Jonathan Zittrain}, année={2025}, eprint={2506.08300}, préfixe d'archive={arXiv}, primaryClass={cs.CL}, url={https://arxiv.org/abs/2506.08300}, }