机构报纸流水线：从历史报纸中提取数十亿高质量 token

研究团队与波士顿公共图书馆联合发布 Institutional Newspapers Pipeline，从 1,473,635 份 1795 至 1930 年的公有领域报纸扫描件中提取出 83.1 million 个文本切片，OCR 输出达 16.3 billion 个 o200k_base token。