Naver-News-KO：摘要模型开源 微调 的韩国新闻摘要数据集

我们发布了 Naver-News-KO，这是一个韩国新闻摘要数据集，包含 2022 年 7 月十天内从 Naver News 收集的 27,400 个（文档、摘要）对，涉及两个类别（经济和 IT/科学；77/23 分割），训练/验证/测试分区为 22,194 / 2,466 / 2,740，平均每条记录的文档到摘要字符压缩率为 6.03 倍。该数据集自 2023 年 1 月起在 Hugging Face Hub 上公开托管，截至 2026 年 5 月，每月下载量约为 33,000 次；社区维护的韩语摘要模型在其上进行了微调，包括 Gemma-2B-ko 和 Gemma2-9B 变体。该技术报告 (i) 记录了收集协议、列模式和拆分结构，(ii) 报告语料库级别的统计数据（长度分布、压缩比以及用户应注意的测试和训练之间测量的 16.8% 近乎重复的标题 Jaccard 重叠），(iii) 将资源与其他开放韩语摘要语料库进行对比，(iv) 提供 Lead-3 提取参考点（ROUGE-1 55.1、ROUGE-L） 50.6）和两个可重复的微调基线 - KoBART（R-1 56.6，BERTScore-F1 81.5）和带有 LoRA 的 Gemma-2B-ko（R-1 55.3，BERTScore-F1 78.3） - 以及发布时训练脚本，并且（v）澄清了资源的许可和预期使用范围。目标是为已经使用该数据集的下游工作提供可引用的参考，而不是提出新的基准。