Министерство цифровых технологий Узбекистана опубликовало на платформе Hugging Face крупный корпус текстовых данных на узбекском языке.
Он включает 5,6 млн документов и около 6 млрд слов.
Данные представлены в узбекской латинской и кириллической графике. В корпус вошли оцифрованные книги, газетные и архивные материалы, законодательные документы, статьи Википедии, веб-страницы и открытые публикации в Telegram.
По информации министерства, тексты прошли обработку, отбор по качеству и тематическую классификацию. Персональные данные заменили специальными обозначениями, например [PHONE] и [NAME].
Корпус создан во исполнение поручения Президента Шавката Мирзиёева, данного на совещании 21 октября 2025 года. Тогда глава государства подчеркнул необходимость развития технологий искусственного интеллекта, способных полноценно понимать узбекский язык.
В министерстве сообщили, что сейчас ведётся работа по предоставлению корпуса разработчикам крупных языковых моделей. В частности, уже началось сотрудничество с Qwen.
Открытый корпус доступен на платформе Hugging Face: https://huggingface.co/datasets/Digitaluz/uzbek-language-corpus






