Open Dictionary v2.0 — 全量重写管线首个发布
面向中文学习者的英语词典,84,212 个词条,全部由可复现的分阶段管线产出:
Wiktionary/Wiktextract 快照 → PostgreSQL raw → 词频筛选的 curated 词条 →
LLM 结构化生成(严格骨架对齐校验)→ 契约校验后的分发工件。
词条内容
- 记忆主线(memory_hook):每个词条一条贯穿主要义项的记忆线索
- 三级义项优先级(core/common/rare),客户端可按需折叠生僻义
- 每个核心/常用义项配双语例句(英文原句 + 中文翻译)
- 句式导向的用法说明(搭配、语域、易错点)
- 词形变化、US/UK 音标、词源注记、同反义关系
工件
| 文件 | 说明 |
|---|---|
| distribution.jsonl.gz | 每行一个词条(distribution_entry_v5 契约) |
| distribution.sqlite.gz | 同内容的 SQLite 打包,含优先级索引列,客户端可直接查询 |
| audit.jsonl.gz | 审计工件:curated 与生成层的完整分离视图 |
| SHA256SUMS.txt | 校验和 |
可复现性血缘
- 源快照:raw-wiktextract-data.jsonl.gz(2025-10-23),sha256
dcdf2c2d5941a116d9104e3e3f118d3cc58c8488eba3d5ffee461947c3aa05a9 - 选词规则:word_selection_v2(wordfreq 3.1.1,top-40k,短语 zipf ≥ 4.5)
- 生成 prompt:v14 优先、v13 兜底(逐词条按内容哈希择优)
- 生成模型:gpt-5.6-luna(三 provider 池,逐词条记录实际服务方与 token 用量)
- distribution.jsonl sha256:
95026a4b78aa83f1f32481e8ff30ea3f7d942b648b3d6e66ef64ca3a194cb66e
已知边界
- 1 个词条无生成内容(已计数排除);少量长尾义项例句覆盖缺口(<1%)
- 义项级重复合并(Wiktionary 源重复)留待后续策展规则
许可与署名
数据工件以 CC BY-SA 4.0 发布,系 English Wiktionary
内容(Wiktionary 贡献者,CC BY-SA 4.0 / GFDL)经
Wiktextract 提取后的衍生作品,
本项目做了词频筛选、结构重组与基于源释义的机器生成扩写。再分发须保留署名并以
相同许可共享。管线代码为 MIT 许可。