PeLLE: Encoder-based language models for Brazilian Portuguese based on open data
University of São Paulo（圣保罗大学）；IBM Research（IBM研究院）；PUC-Rio（里约热内卢天主教大学）
提出基于 RoBERTa、使用 Carolina 精选开放数据训练的巴西葡萄牙语编码器模型族 PeLLE，并通过多项下游任务对比揭示模型规模与精选数据的不同收益。
2024-02-29 cs.CL
Building a Sentiment Corpus of Tweets in Brazilian Portuguese
Interinstitutional Center for Computational Linguistics (NILC)（跨机构计算语言学中心（NILC））
社交媒体、论坛和网站中的大量数据激发了自然语言处理多个领域的研究，例如情感分析。由于其主观和语义特征，该领域的流行激发了对新方法和分类方法的研究。因此，对不同领域和不同语言的数据集有很高的需求。本文介绍了TweetSentBR，一个情感语料库，巴西葡萄牙语手动注释与15.000句电视节目领域。这些句子被标记为三类（积极的，中性的和消极的）由七个注释，以下文献指南，以确保注释的可靠性。我们还使用三种机器学习方法进行了极性分类的基线实验，在二值分类中，F-Measure达到80.99%，准确率为82.06%，在三点分类中，F-Measure达到59.85%，准确率为64.62%。
2017-12-24 cs.CL
DeBERTinha: A Multistep Approach to Adapt DebertaV3 XSmall for Brazilian Portuguese Natural Language Processing Task
University of Campinas（坎皮纳斯大学）；Federal University of Pernambuco（伯南布哥联邦大学）；University of São Paulo（圣保罗大学）
本文提出多步骤方法将DebertaV3 XSmall适配为巴西葡萄牙语模型DeBERTinha，通过葡语词汇构建和替换词元检测微调，在多项NLP任务中以40M参数超越BERTimbau-Large。
2023-10-31 cs.CL
TuPy-E: detecting hate speech in Brazilian Portuguese social media with a novel dataset and comprehensive analysis of models
Alberto Luiz Coimbra Institute of Post-graduation and Engineering Research Federal University of Rio de Janeiro（里约热内卢联邦大学阿尔贝托·路易斯·科英布拉研究生院与工程研究院）
针对葡萄牙语社交媒体仇恨言论检测难题，构建最大注释语料库TuPy-E，采用开源方法，结合BERT模型进行综合分析，兼顾学术与应用。
2023-12-29 cs.CL
Brazilian Portuguese Speech Recognition Using Wav2vec 2.0
Federal University of Technology - Paraná（巴拉那联邦理工大学）；University of São Paulo（圣保罗大学）；Federal University of Mato Grosso（马托格罗索联邦大学）；Federal University of Goias（戈亚斯联邦大学）
深度学习技术已被证明在各种任务中是有效的，特别是在语音识别系统的开发中，即旨在将音频句子转录为书面单词序列的系统。尽管该领域取得了进展，但语音识别仍然被认为是困难的，特别是对于缺乏可用数据的语言，如巴西葡萄牙语（BP）。从这个意义上说，这项工作提出了一个公共的自动语音识别（ASR）系统的发展，只使用开放的可用的音频数据，从微调的Wav 2 vec 2.0 XLSR-53模型预先训练在许多语言，BP数据。最终的模型在7个不同的数据集上呈现了12.4%的平均单词出错率（当应用语言模型时为10.5%）。据我们所知，所获得的误差是最低的开放端到端（E2 E）ASR模型BP。
2021-12-22 cs.CL
A Lightweight Regression Method to Infer Psycholinguistic Properties for Brazilian Portuguese
University of São Paulo（圣保罗大学）；Federal Technological University of Paraná (UTFPR)（巴拉那联邦理工大学）；University of Sheffield（谢菲尔德大学）
词的心理语言学特性已经被用于各种自然语言处理任务的方法中，例如文本简化和可读性评估。大多数这些属性是主观的，涉及昂贵和耗时的调查收集。最近的方法使用有限的心理语言学属性的数据集，将它们自动扩展到大型词典。然而，这些方法所使用的一些资源并不适用于大多数语文。本研究提出了一种方法来推断巴西葡萄牙语（BP）的心理语言学属性，使用回归建一套轻的功能通常可用于资源较少的语言：字长，频率列表，词汇数据库组成的学校字典和词嵌入模型。推导出的性质之间的相关性与相关工作获得的结果接近。由此产生的资源包含26，874个BP单词，并附有具体性，获得年龄，意象和主观频率。
2017-05-19 cs.CL
CAPITU: A Benchmark for Evaluating Instruction-Following in Brazilian Portuguese with Literary Context
Maritaca AI；Jusbrasil
CAPITU基准通过八部巴西文学经典作品背景，结合可验证指令约束与文化内容，评估LLM在巴西葡萄牙语中的指令遵循能力，测试18种前沿模型，揭示多轮对话中约束持久性差异及形态学约束等挑战。
2026-03-23 cs.CL
Evaluating GPT-3.5 and GPT-4 on Grammatical Error Correction for Brazilian Portuguese
该研究构建含四类错误的巴西葡萄牙语GEC数据集，评估GPT-3.5、GPT-4与办公软件的语法纠错效果，发现GPT-4召回率最高但大模型精确率低易过度纠正，验证了其在非英语GEC场景的潜力。
2023-07-18 cs.AI cs.CL
SAMPA: Transformer-based segmentation of prosodic boundaries in Brazilian Portuguese
ICMC（Instituto Superior Técnico）；University of Lisbon（里斯本大学）
研究巴西葡萄牙语韵律边界分割问题，基于Whisper提出SAMPA分割器，通过微调及评估不同配置，在多数据集测试中取得有竞争力的边界检测性能，模型能遵循多种线索检测韵律边界。
2026-10-27 cs.AI cs.CL
Image captioning for Brazilian Portuguese using GRIT model
Alana AI Research（阿拉纳人工智能研究院）
本研究基于GRIT模型开发巴西葡萄牙语图像描述生成方法，通过调整模型在葡萄牙语数据集上训练，实现更高效的图像描述生成。
2024-02-07 cs.AI cs.CL cs.CV
Performance in a dialectal profiling task of LLMs for varieties of Brazilian Portuguese
Universidade Federal de Sergipe - UFS（塞尔希培联邦大学）
本文通过提示工程研究GPT 3.5、GPT-4o、Gemini和Sabiá-2四种大语言模型在巴西葡萄牙语变体识别中的方言偏见，为构建公平流畅的NLP技术提供社会语言学依据。
2024-10-14 cs.CL cs.CY
TTS-Portuguese Corpus: a corpus for speech synthesis in Brazilian Portuguese
Federal University of Technology – Paraná（巴拉那联邦理工大学）；DefinedCrowd Corp.（DefinedCrowd公司）；Federal University of Mato Grosso（马托格罗索联邦大学）；Research Center in Digitalization and Intelligent Robotics (CEDRI)（数字化与智能机器人研究中心（CEDRI））
语音为人机交互提供了一种自然的方式。特别地，语音合成系统在不同的应用中是流行的，例如个人助理、GPS应用、屏幕阅读器和辅助工具。然而，就用于语音合成的资源和系统而言，并非所有语言都处于同一水平。这项工作包括以新数据集的形式为巴西葡萄牙语创建公开可用的资源，以及用于端到端语音合成的深度学习模型。这样的数据集具有来自单个扬声器的10.5小时，其中具有RTISI-LA声码器的Tacotron 2模型表现出最佳性能，达到4.03 MOS值。所获得的结果与涵盖英语和葡萄牙语的最新技术的相关作品相当。
2022-01-29 cs.CL cs.LG eess.AS
Studying Dishonest Intentions in Brazilian Portuguese Texts
Interinstitutional Center for Computational Linguistics (NILC)（跨机构计算语言学中心（NILC））；University of São Paulo（圣保罗大学）
社会科学、心理学和语言学的先前研究表明，说谎者对他们故事的内容有一定的控制力，然而他们潜在的心理状态可能会通过他们讲述的方式“泄露”出来。据我们所知，以前没有系统的努力存在，以描述和模型欺骗语言巴西葡萄牙语。为了填补这一重要的空白，我们进行了初步的实证语言学研究的虚假陈述在巴西新闻。我们系统地分析了语言特征，使用欺骗性的新闻语料库，其中包括假新闻和真新闻。结果表明，它们在词汇、句法和语义方面存在很大差异，并且在标点符号和情感方面也存在差异。
2021-04-01 cs.AI cs.CL cs.IR
Development of email classifier in Brazilian Portuguese using feature selection for automatic response
电子邮件自动分类是文本分类的一个重要应用。我们研究巴西葡萄牙语的电子邮件业务消息的自动回复。我们提出了一个新的语料库，包含从一个真正的应用程序的消息，基线分类实验使用朴素贝叶斯和支持向量机。然后，我们讨论了词形还原的效果和词性标记过滤对查准率和查全率的作用。支持向量机分类加上非词化的动词，名词和形容词的选择是最好的方法，87.3%的最大准确率。葡萄牙语中的直接词形化导致了该组中最低的分类结果，SVM和Naive Bayes的精度分别为85.3%和81.7%。因此，虽然词形化降低了精确度和召回率，但词性过滤改善了整体结果。
2019-07-08 cs.CL cs.IR cs.LG
Manacá-1B: An Open, Reproducible Brazilian-Portuguese Language Model and a Tokenizer-Aware, Paired Evaluation
Laboratório Nacional de Computação Científica (LNCC)（国家科学计算实验室（LNCC））
本研究针对巴西葡萄牙语开源语言模型复现难、缺乏不确定性度量对比的问题，发布17.2亿参数的Manacá-1B模型及可复现流程，揭示分词器转换的评估陷阱并提供修复方案，所有资源可复现论文结果。
2026-09-01 cs.CL
NILC-Metrix: assessing the complexity of written and spoken language in Brazilian Portuguese
Instituto de Ciências Matemáticas e de Computação - University of São Paulo（圣保罗大学数学与计算机科学研究所）；The University of Sheffield（谢菲尔德大学）；Itaú Unibanco（伊塔乌联合银行）
本文提出并公开提供NILC-Meetings，一个计算系统，包括200个指标提出的话语，心理语言学，认知和计算语言学的研究，以评估文本的复杂性在巴西葡萄牙语（BP）。这些度量与描述性分析和计算模型的创建相关，并且可以用于从书面和口头语言的各种语言水平中提取信息。NILC-Meetings中的指标是在过去13年中开发的，从2008年开始使用Coh-Meetings-Port，这是在PorSimples项目范围内开发的工具。Coh-Meetings-Port从Coh-Meetings工具中调整了一些度量标准，用于计算英语文本的衔接和连贯性。在2010年PorSimples结束后，Coh-Meetings-Port最初的48个指标中增加了新的指标。鉴于大量的指标，我们提出了他们以下的组织类似的指标Coh-Meetings v3.0，以方便与葡萄牙语和英语的指标进行比较。在这篇论文中，我们通过三个应用来说明NILC-Meetings的潜力：（i）描述性分析儿童电影字幕和为小学I和II编写的文本之间的差异（ii）PorSimples项目的原始和简化文本语料库的文本复杂性的新预测器;（iii）利用青少年讲述的儿童故事的文字记录，为学校成绩建立一个复杂性预测模型。对于每个应用程序，我们评估哪组指标更具区分力，显示它们对每个任务的贡献。
2021-12-17 cs.CL
MedPT: A Massive Medical Question Answering Dataset for Brazilian-Portuguese Speakers
本文提出MedPT数据集，包含384,095个真实患者-医生问答对，覆盖3200多种健康问题，通过多阶段筛选流程和LLM标注，实现了高语义丰富度，用于医疗专业分类任务，达到94%的F1分数。
2026-03-16 cs.CL
Can I guess where you are from? Modeling dialectal morphosyntactic similarities in Brazilian Portuguese
Universidade Federal de Alagoas（阿拉戈斯联邦大学）；Universidade Federal de Sergipe（塞尔希培联邦大学）
本文研究巴西葡萄牙语中形态句法的共变关系，探讨是否能通过语言变量的综合行为推断方言起源。通过四种语法现象和聚类方法建模，发现聚类方法能揭示反映区域方言模式的说话人分组。
2026-03-21 cs.CL cs.CY
A Neural Approach to Language Variety Translation
University of Wolverhampton（伍尔弗汉普顿大学）；Saarland University（萨尔大学）
在本文中，我们提出了第一个基于神经的机器翻译系统训练，以翻译标准的国家之间的品种相同的语言。我们以一对巴西-欧洲葡萄牙语为例，并比较该方法的性能，基于短语的统计机器翻译系统。我们报告的性能提高了0.9 BLEU点从欧洲翻译到巴西葡萄牙语和0.2 BLEU点时，在相反的方向翻译。我们还进行了一个人的评价实验与母语为巴西葡萄牙语，这表明，人类更喜欢的输出相比，基于神经系统的统计系统。
2018-07-02 cs.CL
Sabiá-4 Technical Report
Maritaca AI；Jusbrasil
Sabiá-4和Sabiazinho-4是新一代巴西葡萄牙语模型，通过四阶段训练流程提升法律文档、多轮对话和智能体任务能力，实现成本与性能的平衡。
2026-03-10 cs.CL
Recognizing the vocabulary of Brazilian popular newspapers with a free-access computational dictionary
Federal University of Rio Grande do Sul (UFRGS)（南里奥格兰德联邦大学（UFRGS））；Federal University of São Carlos (UFSCar)（圣卡洛斯联邦大学（UFSCar））；Université Paris-Est (UPE)（巴黎东大学（UPE））
我们报告了一个实验，以检查一组流行的书面葡萄牙语的两个版本的巴西葡萄牙语，DELAF PB 2004年和DELAF PB 2015年的计算词典的单词的识别。这本词典可免费用于巴西葡萄牙语的语言分析和其他研究，这证明了批判性研究的合理性。词汇来自PorPopular语料库，由流行报纸Di{á}rio Ga{ú}cho（DG）和Massa！（MA）。从DG，我们保留了一套文本与984.465字（令牌），在2008年出版，与拼写之前使用的葡萄牙语拼写协议在2009年通过。从MA，我们检查了2012年，2014年和2015年的论文，有215.776个单词（令牌），所有这些都有新的拼写。检查包括：a）生成DG和MA中出现的单词（类型）列表; b）将其与DELAF PB两个版本的条目列表进行比较; c）评估该词汇表的覆盖范围; d）提出纳入未覆盖项目的方法。研究结果表明，DG中平均有19%的类型在DELAF PB 2004或2015中没有发现。在MA，这一平均值为13%。转换版本的字典在识别单词的性能略有影响。
2019-04-19 cs.CL
JurisTCU: A Brazilian Portuguese Information Retrieval Dataset with Query Relevance Judgments
Câmara dos Deputados（议会委员会）；Tribunal de Contas da União (TCU)（联邦审计法院）
本文介绍了一个包含16045份巴西联邦会计法院判例文书和150个带有相关性标注查询的巴西葡萄牙语信息检索数据集，通过混合方法产生相关性判断，展示了文档扩展方法在提升BM25性能上的显著效果，以及OpenAI模型在短关键词查询中的优越表现。
2025-08-01 cs.CL cs.IR
Extracting accent features in spoken Brazilian Portuguese without sociolinguistic labels
PEE/COPPE, UFRJ（PEE/COPPE，UFRJ）；Faculdade de Engenharia Elétrica e Computação (FEEC), UNICAMP（电子工程与计算学院（FEEC），UNICAMP）；DEL/Poli & PEE/COPPE, UFRJ（DEL/Poli与PEE/COPPE，UFRJ）
针对巴西葡萄牙语口音分类中标签缺乏的问题，提出一种仅使用声学标签的新工作流，通过隔离区域口音地标和基于音素的强制对齐器提取特征，在口音相关任务上优于通用架构。
2026-06-02 cs.CL eess.AS
DEEPAGÉ: Answering Questions in Portuguese about the Brazilian Environment
Universidade de São Paulo（圣保罗大学）
气候变化和生物群落保护的挑战是我们这个时代最紧迫的问题之一，特别是在巴西，那里有重要的环境保护区。鉴于生态主题的大型文本数据库的可用性，很自然地诉诸于问答（QA）系统，以提高社会对这些主题的认识和理解。在这项工作中，我们引入了多个QA系统，以新颖的方式结合了BM 25算法，一种稀疏检索技术，PTT5，一种预先训练的最先进的语言模型。我们的问答系统专注于葡萄牙语，从而提供文献中找不到的资源。作为训练数据，我们收集了来自开放域数据集的问题，以及葡萄牙语维基百科的内容和新闻。因此，我们为创新架构和新应用做出了贡献，我们的最佳模型获得了36.2的F1分数。
2021-10-19 cs.CL cs.LG
Predicting Multiple ICD-10 Codes from Brazilian-Portuguese Clinical Notes
Federal University of Santa Catarina（圣卡塔琳娜联邦大学）；Healthcare（3778医疗）；Syrian-Lebanese Hospital（叙利亚-黎巴嫩医院）
从电子临床记录中编码ICD是一个人工、耗时且昂贵的过程。然而，代码分配对于计费目的和数据库组织来说是一项重要任务。虽然许多作品已经研究了使用机器学习技术从自由文本自动ICD编码的问题，但大多数使用英语记录，特别是来自MIMIC-III公共数据集的记录。这项工作提出了一个数据集与巴西葡萄牙临床笔记的结果。我们开发并优化了Logistic回归模型、卷积神经网络（CNN）、门控递归单元神经网络和带注意力的CNN（CNN-Att）用于预测诊断ICD代码。我们还报告了MIMIC-III数据集的结果，该数据集在相同家族的模型中表现优于以前的工作，以及最先进的技术水平。与MIMIC-III相比，巴西葡萄牙语数据集包含的每个文档的单词要少得多，仅使用出院摘要。我们尝试连接此数据集中可用的其他文档，从而极大地提高了性能。CNN-Att模型在两个数据集上都取得了最佳结果，MIMIC-III的微平均F1得分为0.537，而我们的数据集上的微平均F1得分为0.485。
2020-07-29 cs.CL cs.LG
Essay-BR: a Brazilian Corpus of Essays
Federal University of Piauí（皮奥伊联邦大学）；Federal Institute of Piauí（皮奥伊联邦学院）
自动作文评分（Automatic Essay Scoring，AES）是一种对作文进行评分的计算机技术，旨在提供计算模型，以自动或最少的人工参与对作文进行评分。虽然有几个AES的研究在各种语言，其中很少有集中在葡萄牙语。主要原因是缺乏一个语料库与人工评分的文章。为了弥合这一差距，我们创建了一个大型语料库，其中包含巴西高中生在在线平台上撰写的几篇文章。所有的文章都是辩论性的，并由专家在五个能力方面进行评分。此外，我们对创建的语料库进行了实验，并展示了葡萄牙语所带来的挑战。我们的语料库可在https://github.com/rafaelanchieta/essay上公开获取。
2021-05-19 cs.CL
A Large-Scale Dataset for Multi-Class Financial News Classification in Brazilian Portuguese
Federal University of Paraíba（帕拉伊巴联邦大学）；Federal University of Campina Grande（帕坎纳联邦大学）；Federal Rural University of Pernambuco（伯南布哥联邦农村大学）；Federal University of Pernambuco（伯南布哥联邦大学）
针对巴西葡萄牙语金融NLP数据集稀缺问题，构建含16万篇新闻的语料库，评估三种相似度方法，发现标签质量影响大，为该任务建立基线并提供研究参考。
2026-10-16 cs.CL cs.LG
TeenyTinyLlama: open-source tiny language models trained in Brazilian Portuguese
University of Bonn（波恩大学）；Pontifical Catholic University of Rio Grande do Sul（南里奥格兰德天主教大学）
针对大语言模型在低资源语言上表现不佳、多语言模型存在计算与许可限制的问题，研究推出两款巴西葡萄牙语紧凑型生成模型TeenyTinyLlama，以Apache 2.0许可证开源供社区使用。
2024-05-17 cs.CL cs.LG
Acoustic models of Brazilian Portuguese Speech based on Neural Transformers
Universidade de São Paulo（圣保罗大学）
本研究基于Transformer构建巴西葡萄牙语语音声学模型，经800余小时语音预训练后，在呼吸功能不全检测等任务上微调，性能较无预训练模型显著提升，部分任务达最优水平。
2023-12-14 cs.CL cs.LG cs.SD
P3B3: A Multi-Turn Conversational Benchmark for Measuring European and Brazilian Portuguese Variety Bias in LLMs
NOVA University of Lisbon（新里斯本大学）；NOVA LINCS（NOVA LINCS实验室）
提出P3B3基准，通过专家策划的对话提示和评估框架，测量大语言模型在葡萄牙语变体（欧洲vs巴西）上的偏差和可控性，发现多数模型偏向巴西葡萄牙语。
2026-06-16 cs.AI cs.CL cs.LG
Embedding generation for text classification of Brazilian Portuguese user reviews: from bag-of-words to transformers
文本分类是一项自然语言处理（NLP）任务，与许多商业应用相关，如电子商务和客户服务。当然，由于内在的语言方面，如讽刺和细微差别，准确地对这些摘录进行分类往往是一个挑战。为了完成这个任务，必须为文档提供一个健壮的数字表示，这个过程称为嵌入。嵌入代表了当今NLP的一个关键领域，在过去十年中取得了重大进展，特别是在引入单词到向量概念以及用于解决NLP任务的深度学习模型（包括卷积神经网络（CNN），递归神经网络（RNN）和基于转换器的语言模型（TLM））普及之后。尽管在这一领域取得了令人印象深刻的成就，有关巴西葡萄牙语文本生成嵌入的文献报道很少，特别是在考虑商业用户评论时。因此，这项工作的目的是提供一个全面的实验研究嵌入方法，针对巴西葡萄牙语的用户评论的二进制情感分类。本研究包括从经典的（词袋）到最先进的（基于Transformer的）NLP模型。这些方法与五个开放源代码数据库进行了评估，这些数据库具有开放数字存储库中提供的预定义数据分区，以鼓励再现性。微调的TLM在所有情况下都取得了最佳结果，其次是基于神经网络的TLM，LSTM和CNN，根据分析的数据库，它们具有交替的排名。
2022-12-01 cs.AI cs.CL
Carolina: a General Corpus of Contemporary Brazilian Portuguese with Provenance, Typology and Versioning Information
University of São Paulo（圣保罗大学）；Federal Institute of Education, Science and Technology of Bahia（巴伊亚联邦教育、科学与技术学院）；State University of Southwestern Bahia（巴伊亚西南州立大学）
本文介绍了第一个公开版本的卡罗莱纳州语料库，并讨论了其未来的发展方向。Carolina是一个大型的巴西葡萄牙语文本开放语料库，正在建设中，使用网络作为语料库的方法增强了出处，类型学，版本和文本完整性。该语料库的目的是被用作语言学研究的可靠来源，并作为计算机科学研究语言模型的重要资源，有助于将葡萄牙语从低资源语言中删除。在这里，我们提出了建设的语料库方法，比较它与其他现有的方法，以及语料库的现状：卡罗莱纳州的第一个公开版本有$653,322,577$令牌，分布在$7$广泛的类型。每个文本都在其标题中使用几个不同的元数据类别进行注释，这些类别是我们使用TEI注释标准开发的。我们还展示了正在进行的衍生作品，并邀请NLP研究人员贡献自己的作品。
2023-03-28 cs.AI cs.CL
Assessing Linguistic Generalisation in Language Models: A Dataset for Brazilian Portuguese
University of Milano-Bicocca（米兰比可卡大学）；University of Surrey（萨里大学）；University of Sheffield（谢菲尔德大学）
本文构建巴西葡萄牙语内在评估数据集，通过 MWE 与六类语法结构任务测试 BERTimbau 和 mBERT 的语言泛化能力。
2023-06-07 cs.CL
Brazilian Portuguese Image Captioning with Transformers: A Study on Cross-Native-Translated Dataset
Instituto Federal do Espírito Santo (IFES)（巴西联邦大学埃斯皮里图圣安东尼奥理工学院）；École de Technologie Supérieure (ÉTS)（加拿大超技术学院）
本研究通过跨原生翻译数据集评估Transformer模型在巴西葡萄牙语图像描述生成中的表现，发现Swin-DistilBERTimbau表现优异，GPT-4在CLIP-Score上表现最佳，同时揭示了模型中的系统性偏见。
2026-01-30 cs.CL cs.CV cs.LG
Beyond English benchmarks: clinical llm evaluation in Brazilian Portuguese
Federal University of Rio de Janeiro（里约热内卢联邦大学）；Toronto Metropolitan University（多伦多都会大学）
提出首个双语临床基准ClinicalBr，基于巴西病例报告构建，评估四个模型发现葡萄牙语-英语性能差距具有任务依赖性，诊断检索英语优势明显，其他任务差距消失。
2026-06-05 cs.AI cs.CL
Enhancing Portuguese Variety Identification with Cross-Domain Approaches
Faculty of Sciences, University of Porto（波尔图大学理学院）；Faculty of Engineering, University of Porto（波尔图大学工程学院）；INESC TEC；Faculty of Arts and Humanities, University of Porto（波尔图大学艺术与人文学院）；Centre of Linguistics, University of Porto（波尔图大学语言学中心）；University of Beira Interior（贝拉内瓦尔大学）；Ci2 - Smart Cities Research Center（Ci2智慧城市研究中心）
针对巴西葡萄牙语语料主导导致的语言偏见，本文构建跨领域 PtBrVarId 数据集并提出基于 transformer 的语言变体识别器，以区分欧洲与巴西葡萄牙语，且开源代码、语料和模型。
2025-02-20 cs.CL
BLUEX: A benchmark based on Brazilian Leading Universities Entrance eXams
State University of Campinas (UNICAMP)（坎皮纳斯州立大学）；Maritaca AI；NeuralMind AI
本文提出BLUEX数据集，基于巴西UNICAMP和USP两所顶尖大学的入学考试构建，包含多学科标注、图像位置信息及近期考题，并通过实验建立基准，以推动葡萄牙语自然语言理解与多模态推理研究。
2023-07-11 cs.CL
Toxic Language Detection in Social Media for Brazilian Portuguese: New Dataset and Multilingual Analysis
Federal University of São Carlos（圣卡洛斯联邦大学）；University of Sheffield（谢菲尔德大学）
仇恨言论和有毒评论是社交媒体平台用户普遍关注的问题。尽管这些评论在这些平台上是少数，但它们仍然能够造成伤害。因此，识别这些评论是研究和防止社交媒体中毒性扩散的重要任务。以前的自动检测有害评论的工作主要集中在英语上，很少有像巴西葡萄牙语这样的语言。在本文中，我们提出了一个新的大规模数据集，巴西葡萄牙语的鸣叫注释为有毒或无毒或不同类型的毒性。我们介绍了我们的数据集收集和注释过程，我们的目标是选择覆盖多个人口统计群体的候选人。最先进的BERT模型能够在二元情况下使用单语数据实现76%的宏观F1评分。我们还表明，尽管多语言方法最近取得了进展，但仍然需要大规模的单语数据来创建更准确的模型。多标签分类的错误分析和实验表明，对某些类型的有毒评论进行分类是困难的，这些评论在我们的数据中出现的频率较低，并强调了开发能够识别不同类别毒性的模型的必要性。
2020-10-09 cs.CL cs.LG cs.SI
Predictive Authoring for Brazilian Portuguese Augmentative and Alternative Communication
Universidade Federal de Pernambuco（伯南布哥联邦大学）；NeuralMind
本文提出使用BERTimbau模型提升巴西葡萄牙语AAC系统中图标预测的准确性，通过不同表示方法对比发现同义词预测效果最佳。
2023-08-18 cs.AI cs.CL cs.LG
HateBR: A Large Expert Annotated Corpus of Brazilian Instagram Comments for Offensive Language and Hate Speech Detection
Computer Science Department, Federal University of Minas Gerais（米纳斯吉拉斯联邦大学计算机科学系）
由于巴西社交媒体攻击性和仇恨性评论的严重性，以及葡萄牙语研究的缺乏，本文提供了巴西Instagram评论的第一个大规模专家注释语料库，用于仇恨言论和攻击性语言检测。HateBR语料库是从巴西政治家在Instagram上的评论部分收集的，并由专家手动注释，达到了很高的注释者间一致性。该语料库由7，000份文件组成，根据三个不同的层次进行注释：二元分类（冒犯性与非冒犯性评论），冒犯性级别分类（高度，中度和轻微冒犯性），以及九个仇恨言论组（仇外心理，种族主义，同性恋恐惧症，性别歧视，宗教不容忍，党派主义，为独裁统治道歉，反犹太主义和肥胖恐惧症）。我们还实施了攻击性语言和仇恨言论检测的基线实验，并将其与文献基线进行比较。结果表明，我们的语料库上的基线实验优于目前最先进的葡萄牙语。
2022-12-27 cs.CL
Prosa: Rubric-Based Evaluation of LLMs on Real User Chats in Brazilian Portuguese
Maritaca AI；Jusbrasil
本文提出Prosa基准，通过多判官过滤的二元评分标准减少LLM评分偏差，提升评估的判别能力，验证了评分标准的重要性。
2026-05-02 cs.AI cs.CL
MTEB-BR: A Text Embedding Benchmark for Brazilian Portuguese
Federal Institute of São Paulo (IFSP)（圣保罗联邦理工学院）
针对葡萄牙语无专用基准测试的问题，引入MTEB-PT基准测试，含22个巴西葡萄牙语本地任务。评估93个模型，报告统计层信息，得出模型分层、开源模型表现及全球多语言排行榜与葡萄牙语排行榜关系等结论。
2026-07-09 cs.CL cs.IR cs.LG
Manacá-1B-Instruct-2: Reproducible Safety Alignment for a Native Brazilian-Portuguese LLM. Negative DPO Results, a Controlled Composition Scan, and a Silent Failure Mode of the LLM Judge
National Laboratory for Scientific Computing (LNCC)（国家科学计算实验室）；Institute of Artificial Intelligence（人工智能研究所）
该研究推出第二代巴西葡萄牙语大语言模型Manacá-1B-Instruct-2，记录其三次负向DPO尝试，发现安全SFT的最优通用数据占比区间，证实其安全性能优于四个基准模型，还揭示LLM评判器存在隐性失效模式，相关资源均已公开。
2026-10-15 cs.CL
Amadeus-Verbo Technical Report: The powerful Qwen2.5 family models trained in Portuguese
Amadeus AI
本报告介绍了面向巴西葡萄牙语的Amadeus Verbo大型语言模型家族的开发经验，涵盖0.5B至72B多种参数规模的基础、合并与指令微调模型，旨在展示在资源充足时微调基础模型以推动开源开发民主化的便捷性。
2025-05-20 cs.AI cs.CL
MATH-PT: A Math Reasoning Benchmark for European and Brazilian Portuguese
Instituto Superior Técnico, Universidade de Lisboa（里斯本大学理工学院）；Fundação Getulio Vargas（古特曼基金会）；Instituto de Telecomunicações（电信研究所）；Universidade de Coimbra, CISUC/LASI, DEI（科英布拉大学，CISUC/LASI，DEI）；Basque Center for Applied Mathematics（巴斯克应用数学中心）
本文提出MATH-PT数据集，包含1729个欧洲和巴西葡萄牙语数学问题，评估了当前最先进的LLM在数学推理中的表现，发现前沿模型在选择题表现优异，但在涉及图表或开放性问题时性能下降。
2026-04-01 cs.CL cs.IR
Toten: A Knowledge-Based System For Structure-Preserving Representation Of Physical Quantities And Technical Notation In Brazilian Portuguese
Aia Context；Universidade Federal do Maranhão（马拉尼昂联邦大学）；Universidade de São Paulo（圣保罗大学）
提出TOTEN框架，利用工程实体本体对物理量和技术符号进行声明式分类，替代统计分词，在巴西葡萄牙语语料上实现高原子性分词和数值重建。
2026-06-25 cs.AI cs.CL
CORAA: a large corpus of spontaneous and prepared speech manually validated for speech recognition in Brazilian Portuguese
Federal University of Technology – Paraná（巴拉那联邦理工大学）；Federal University of Goias（戈亚斯联邦大学）
自动语音识别（ASR）是一项复杂而具有挑战性的任务。近年来，这一领域取得了重大进展。具体而言，就巴西葡萄牙语（BP）而言，直至二零二零年下半年，约有376小时公众可用于ASR任务。随着2021年初新数据集的发布，这一数字增加到574小时。然而，现有的资源是由音频组成的，只包含阅读和准备的演讲。缺乏包括自发语音的数据集，这在不同的ASR应用中是必不可少的。CORAA（Corpus of Annotated Audios）v1。290.77小时，BP中ASR的公开可用数据集，包含验证对（音频转录）。CORAA还包含欧洲葡萄牙语音频（4.69小时）。我们还提出了一个基于Wav 2 Vec 2.0 XLSR-53的公共ASR模型，并在CORAA上进行了微调。我们的模型在CORAA测试集和普通语音测试集上的单词出错率分别为24.18%和20.08%。当测量字符出错率时，我们得到CORAA和普通语音分别为11.02%和6.34%。CORAA语料库的组装，以改善在BP的ASR模型与现象，从自发的讲话，并激励年轻的研究人员开始他们的研究对葡萄牙语的ASR。所有语料库都可以在CC BY-NC-ND 4.0许可证下在https://github.com/nilc-nlp/CORAA上公开获得。
2021-11-18 cs.CL cs.SD eess.AS
fakenewsbr: A Fake News Detection Platform for Brazilian Portuguese
本文面向巴西葡萄牙语新闻，提出结合 TF-IDF 与 Word2Vec 的机器学习虚假新闻检测方法，并构建了提供实时分析的 fakenewsbr.com 平台。
2023-09-21 cs.CL cs.LG stat.ML
Pirá: A Bilingual Portuguese-English Dataset for Question-Answering about the Ocean
Escola de Artes, Ciências e Humanidades Universidade de São Paulo（圣保罗大学艺术、科学与人文学院）；Instituto de Estudos Avançados Universidade de São Paulo（圣保罗大学高等研究院）；Escola Politécnica Universidade de São Paulo（圣保罗大学理工学院）
当前自然语言处理的研究高度依赖于精心制作的语料库。大多数现有资源侧重于英语;一些资源侧重于中文和法文等语言;很少有资源涉及一种以上的语言。本文介绍了Pirá数据集，这是一套关于海洋和巴西海岸的葡萄牙语和英语问答。据我们所知，Pirá是第一个支持葡萄牙语文本的QA数据集，也许更重要的是，它是第一个包含这种语言的双语QA数据集。Pirá数据集由两种语言的2261个适当策划的问题/答案（QA）集组成。问答集是根据两个语料库手动创建的：与巴西海岸有关的摘要和联合国关于海洋的报告摘录。QA集在同行评审过程中与数据集贡献者进行了验证。我们讨论了Pirá的一些优点和局限性，因为这个新资源可以支持NLP中的一系列任务，例如问答，信息检索和机器翻译。
2022-02-04 cs.CL
Zero-shot Performance of Generative AI in Brazilian Portuguese Medical Exam
Einstein Global Advanced Technologies for Equity（埃因斯坦全球先进科技以公平为宗旨）；Hospital Israelita Albert Einstein（埃因斯坦医院）；Departamento de Pacientes Graves（重症患者部门）；Stanford Center for Artificial Intelligence in Medicine and Imaging（斯坦福大学医学与成像人工智能中心）；Departmento de Cirurgia（外科部门）；Faculdade de Medicina, Universidade de São Paulo（圣保罗大学医学院）；Faculdade Israelita de Ciências da Saúde Albert Einstein（埃因斯坦以色列健康科学学院）
本文在 HCFMUSP 巴西葡语医学住院医师考试零样本条件下评测六个 LLM 与四个 MLLM，发现顶级 Claude 模型准确率接近人类，但多模态图像题仍有差距。
2025-07-26 cs.CL
Language Variety Identification with True Labels
George Mason University（乔治梅森大学）；University of Helsinki（赫尔辛基大学）；Cambridge University（剑桥大学）；Rochester Institute of Technology（罗切斯特理工学院）
语言识别是许多IR和NLP应用中重要的第一步。然而，大多数公开可用的语言识别数据集都是在假设每个实例的黄金标签由文本的检索位置确定的情况下编译的。研究表明，这是一个有问题的假设，特别是在非常相似的语言的情况下（例如，克罗地亚语和塞尔维亚语）和民族语言变体（例如，巴西和欧洲葡萄牙语），其中文本可能不包含特定语言或变体的独特标记。为了克服这一重要限制，本文提出了DSL True Labels（DSL-TL），这是第一个用于语言种类识别的人工注释多语言数据集。DSL-TL总共包含12，900个葡萄牙语实例，分为欧洲葡萄牙语和巴西葡萄牙语;西班牙语，分为阿根廷西班牙语和卡斯蒂利亚西班牙语;英语，分为美国英语和英国英语。我们训练了多个模型来区分这些语言变体，并详细介绍了结果。本文提出的数据和模型提供了一个可靠的基准，朝着强大的和公平的语言品种识别系统的发展。我们向研究社区免费提供DSL-TL。
2023-03-02 cs.CL
Portuguese Word Embeddings: Evaluating on Word Analogies and Natural Language Tasks
University of São Paulo（圣保罗大学）；Institute of Mathematics and Computer Sciences（数学与计算机科学学院）；Federal University of São Carlos（圣卡洛斯联邦大学）
已经发现词嵌入以有效的方式为词提供有意义的表示;因此，它们在自然语言处理系统中变得普遍。在本文中，我们评估了在大型葡萄牙语语料库上训练的不同词嵌入模型，包括巴西和欧洲变体。我们使用FastText、GloVe、Wang 2 Vec和Word 2 Vec训练了31个词嵌入模型。我们在句法和语义类比上对他们进行了内在评价，在词性标注和句子语义相似性任务上进行了外在评价。所获得的结果表明，词类比是不适合词嵌入评价，任务特定的评价似乎是一个更好的选择。
2017-08-20 cs.CL
Lexical Simplification Benchmarks for English, Portuguese, and Spanish
Universitat Pompeu Fabra（庞培法布拉大学）；Manchester Metropolitan University（曼彻斯特城市大学）；George Mason University（乔治梅森大学）
即使在高度发达的国家，也有15- 30%的人口只能理解使用基本词汇书写的文本。他们对日常文本的理解有限，这使他们无法在社会中发挥积极作用，并在医疗保健，法律代表或民主选择方面做出明智的决定。词汇简化是一项自然语言处理任务，旨在通过用简单的词汇和表达替换复杂的词汇和表达，同时保留原始含义，使每个人都能理解文本。在过去的20年里，它引起了相当大的关注，并且已经为各种语言提出了全自动的词汇简化系统。阻碍该领域发展的主要障碍是缺乏用于构建和评估词汇简化系统的高质量数据集。我们提出了一个新的基准数据集的词汇简化英语，西班牙语和（巴西）葡萄牙语，并提供有关数据选择和注释程序的细节。这是第一个提供三种语言词汇简化系统直接比较的数据集。为了展示数据集的可用性，我们采用了两个具有不同架构的最先进的词汇简化系统（神经与\非神经）到所有三种语言（英语，西班牙语和巴西葡萄牙语），并评估它们在我们新数据集上的表现。为了更公平的比较，我们使用了几个评估指标，这些指标反映了系统功效的各个方面，并讨论了它们的优点和缺点。我们发现，一个国家的最先进的神经词汇简化系统优于一个国家的最先进的非神经词汇简化系统在所有三种语言。更重要的是，我们发现最先进的神经词汇简化系统对英语的表现明显优于西班牙语和葡萄牙语。
2022-09-12 cs.CL
Cem Mil Podcasts: A Spoken Portuguese Document Corpus For Multi-modal, Multi-lingual and Multi-Dialect Information Access Research
Spotify（声田）；Silo AI（希洛人工智能公司）
本研究发布了葡萄牙语播客数据集Cem Mil Podcasts，介绍其采样、统计及方言分布情况，验证了多语言摘要和文本元数据分类的有效性，为多模态多语言多方言播客信息获取研究提供支持。
2023-12-13 cs.CL
