
何が起きたか
GitHubがGitHub Multilingual Repositories Datasetを公開しました。このデータセットは4,000万以上のリポジトリのメタデータを含み、READMEやissue、pull requestにおける非英語の自然言語コンテンツを識別しています。言語分布はテキストの種類によって異なり、issueではコリア語が最も多い非英語言語である一方、READMEではポルトガル語が300万以上のリポジトリで最も一般的です。
なぜ重要か
AIがソフトウェア開発の重要な部分になる中で、多言語開発者向けのコンテンツはますます重要になっています。現在、多くのヨーロッパ言語はAIシステムの構築・評価に使われるオンラインテキストで過小評価されており、このため一部の開発者や言語では機能が悪い可能性があるとみられます。このデータセットにより、研究者やモデル構築者がソフトウェア開発における言語表現のギャップを特定し、より包括的なAIツールを構築する支援が可能になると考えられます。
注目点
データセットはCC0-1.0ライセンスの下でGitHub上で公開されており、誰でも利用できます。Microsoft European Digital Commitmentsの2025年の約束の一環として、オープンソースAI開発者を含む研究者や開発者が多言語データにアクセスしやすくするために設計されています。
こういう要約が、毎朝あなたのメールに届きます。
業界と使っているAIツールを選ぶと、仕事に関係するニュースが毎朝届きます。
登録無料・Googleアカウントなら30秒・いつでも解除できますAITodayについて →
この記事についてわからないことをAIに質問できます。AIはこの記事・AIToday の過去記事・Wikipedia を読み、出典を付けて答えます。Q&Aはこのページに公開され、他の読者も読めます。
このようなAIの動きを、御社の業界・競合に合わせて毎日届ける法人プランもあります → 詳しく見る
Microsoft Ignite 2026でマイクロソフトは赤・青・緑チームのエージェントを組み合わせ攻撃模擬・検知調査・脆弱性修正を行うMicrosoft Perceptionの一般提供を発表した

Microsoft Ignite 2026でWindows Server 2028のパブリックプレビューが公開され、Microsoft Foundry、Windows ML、vLLM、Llama.cppによるAI推論ホス…

AUMOVIOはDatabricks Unity GatewayをLLMへの唯一の経路に採用

CADMAGEDDONはBenchCADの64³ボクセルIoUで、1000部品のサブセットにおいて0.991を記録し、Claude Sonnet 5.5の0.963、Claude Opus 5.5の0.962、GPT-6…

MIT Technology ReviewのAI誇大広告指数はAIの広がりを示し、GoogleのAI Overviewsが広告収入で数十億ドルを失わせたことやAI支援のサイバー攻撃を挙げた

哲学者トーマス・ナゲル氏はバーグルエン賞受賞後のインタビューで、大規模言語モデルが意識を持つ可能性を真剣に受け止めるのは「馬鹿げている」と述べ、AnthropicのClaudeへのアプローチを「犯罪的」と呼んだ
