Arabic Gigaword 是 LDC 发布的大规模现代标准阿拉伯语（MSA）新闻语料库，核心用于语言模型预训练、机器翻译、文本分类等 NLP 任务，有两个主要版本，第五版（LDC2011T11）为较新且常用版本。以下是详细介绍：

核心定位与背景

• 由 Linguistic Data Consortium（LDC）整理分发，聚焦 MSA 新闻文本，是阿拉伯语 NLP 领域的重要基准语料，支撑机器翻译、语言模型训练等任务的研发与评测。
• 第五版（LDC2011T11）发布于 2011 年，基于多源阿拉伯语新闻媒体构建，适配大规模数据驱动的 NLP 模型训练需求，为阿拉伯语处理提供高质量单语数据支撑。

数据规模与构成

1. 文本来源：聚合法新社（AFP）、安纳哈通讯社（An-Nahar）等知名阿拉伯语新闻机构的报道，覆盖政治、经济、文化等多领域，以 MSA 为主，风格正式、规范。
2. 数据体量：第五版含约数千万条新闻文本，总词数达数十亿级，文档与词汇覆盖度高，为模型提供丰富的语言知识与语义信息。
3. 元数据标注：每条文本标注有来源、发布时间、文档 ID 等元数据，便于按领域、时间筛选数据，适配不同任务场景。
4. 版本差异

   版本	发布时间	规模	特点
   第一版	早期发布	约 125 万篇文档	基础新闻语料，奠定数据基础
   第五版（LDC2011T11）	2011 年	约 1300 万篇文档	规模大幅扩充，标注更完善，适配现代 NLP 需求

技术规格