MITRA-lexicon: корпусен запис на това как санскритските будистки термини са предавани на тибетски, китайски и английски

Какво беше публикувано

На 19 октомври 2026 г. Себастиан Нердих (Sebastian Nehrdich), Кенго Харимото (Kengo Harimoto), Свен Зелмер (Sven Sellmer) и Оливер Хелвиг (Oliver Hellwig) публикуваха в arXiv препринт, описващ MITRA-lexicon — шест еднопосочни лексикона между санскрит и английски, тибетски и китайски. Авторите съобщават за 2,18 милиона заглавни статии и 10,4 милиона засвидетелствания; всяко засвидетелстване е свързано с двойката си изречения и с позициите на знаците на санскритската дума и нейния еквивалент. Значенията са подредени по честота. ^[1]

Данните бяха публикувани същия ден в GitHub като издание v1.1 заедно с кода, оценъчните данни и уеб интерфейс в бета версия. Изданието добавя китайско-тибетски лексикон, който не е описан в статията. Интерфейсът посочва, че това не е ръчно съставен речник: двойките са извлечени автоматично, така че съответствието може да е грешно, частично или разместено и трябва да се прочете цялото изречение. ^{[2] [3]}

Как е изграден

Санскритско-английските лексикони идват от корпуса Mitrasaṃgraha (395 528 двойки изречения); санскритско-тибетските и санскритско-китайските — от MITRA-parallel v3 (566 068 и 340 691 двойки). Изключени са осемнадесет текста, чийто санскрит е изцяло или отчасти съвременна реконструкция от тибетски или китайски превод. ^[1]

Санскритската страна се сегментира и лематизира с анализатора ByT5-Sanskrit. Търговски езиков модел (Gemini Flash) анотира 9 366 обучаващи примера; след това по-малък модел на основата на MITRA Qwen3.5-9B беше дообучен да копира всеки превод и да отбелязва частта, която предава всяка санскритска дума. Обработката на трите корпуса отне около 36 GPU-часа. Моделът за подравняване е публикуван отделно и картата му отбелязва, че резултатите му измерват съгласие с модела учител, а не правилност. ^{[1] [4]}

Колко е надежден

При строго съпоставяне със справочни речници първото по ранг значение съвпада с речника за 58,2% от санскритско-тибетските заглавни думи (Negi), 53,0% от санскритско-китайските (Hirakawa) и 36,6% от санскритско-английските (Monier-Williams заедно с Apte). Авторите наричат тези стойности долни граници, защото речниците покриват по-тесен набор от текстове и съдържат собствени грешки. Съгласието расте с честотата: за заглавни думи с поне 100 засвидетелствания водещото санскритско-тибетско значение се потвърждава в 84–90% от случаите. ^[1]

Златни подравнявания съществуват само за санскрит–английски: 100 изречения, подравнени независимо от трима санскритолози, с алфа на Крипендорф 0,77 помежду им; моделът достига F1 88,4 спрямо тяхното мнозинствено решение. Статията изброява и други ограничения: грешките на анализатора и на електронните текстове се пренасят в погрешни леми, флективните форми в целевия език разпръскват доказателствата между значенията, английският лексикон е доминиран от няколко големи епически и пуранически текста, редките заглавни думи съдържат повече грешки, а етапът на анотиране зависи от търговски модел. Хранилището описва статията като представена за рецензиране за ISCLS 2027, така че това е препринт, а не рецензиран резултат. ^{[1] [2]}

Лицензи и повторна употреба

Тъй като всяко засвидетелстване възпроизвежда двойката си изречения, лексиконите наследяват лицензите на изходните текстове. Санскритско-тибетският, санскритско-китайският и китайско-тибетският лексикон са публикувани под CC BY-SA 4.0. Санскритско-английският лексикон е в две версии: версия CC BY-SA 4.0 с 92,3% от засвидетелстванията от текстове под CC BY-SA и пълна версия под CC BY-NC-ND 4.0, която добавя засвидетелствания от текстове под CC BY-NC-ND и от части на корпуса без посочен лиценз. Златните данни и данните от учителя са CC BY-NC-ND 4.0, кодът е MIT, а моделът за подравняване е Apache-2.0. ^{[2] [4]}

Лицензът на един лексикон не урежда правата върху който и да е друг корпус, скан или превод. Прочитането на термин в интерфейса не дава разрешение изходните текстове да се препубликуват или върху тях да се обучава модел извън собствените им лицензи. Авторите молят публичните приложения да посочват проекта Dharmamitra. ^[2]

Внимателен начин на използване

Потърсете термин на санскрит, тибетски (Unicode или Wylie) или китайски, изберете целевия език и четете засвидетелстванията в контекста на изречението, а не само заглавната дума. Приемайте честотата като свидетелство за употребата от преводачите, а не като присъда за правилния еквивалент; рядко значение с едно засвидетелстване може да е грешка при подравняването. Предпочитайте заглавни думи с няколко засвидетелствания, отбелязвайте от коя сбирка идва засвидетелстването и при цитиране на статия записвайте версията на изданието и лиценза. ^{[1] [3]}

За Matreya това е практична проверка на терминологията на нашите езици и документиран пример за корпусен ресурс, съобразен с разрешенията: лицензите са посочени за всеки файл, а изграждането може да се възпроизведе от публикуваните код и данни. Ние не сме възпроизвели съобщените числа сами и лексиконът не замества прочита на даден пасаж от специалист. ^{[1] [2]}

Редакционна бележка

Авторите благодарят на Tsadra Foundation за финансирането на изчислителната инфраструктура и разкриват използването на генеративен ИИ за програмиране и за езика на статията. Тази статия и преводите ѝ са подготвени с помощта на ИИ; специализирана езикова проверка не е завършена. ^[1]