【事件概述】 COPA 团队于 2026 年 9 月 4 日公开亚美尼亚语大模型生态项目，其中包括基础模型 arm-gemma-e4b、网页预训练语料 ArmWeb、英—亚美尼亚语 STEM 平行语料 ArmSTEM，以及完整训练与评测代码。arm-gemma-e4b 是在 Gemma-4-E4B 基础上继续预训练得到的亚美尼亚语模型，模型页标注规模为 9B；团队披露继续预训练使用了约 100 亿 token。 这次发布的价值不只是一份模型权重。COPA 同时公开数据构建方法、去重和污染检查、训练配置、下游评测与负面结果，希望给资源较少的语言提供一条可审查、可复现的本地化路径。 【模型与开发者】 模型：arm-gemma-e4b 开发者：COPA 团队 基础模型：Google Gemma-4-E4B 模型规模：9B（依据 Hugging Face 模型页元数据） 官方发布日期：2026 年 9 月 4 日 模型类型：继续预训练后的基础模型；不是指令模型或聊天模型 权重精度：BF16 许可：模型遵循 Gemma 使用条款；ArmWeb 汇编采用 ODC-BY，ArmSTEM 的组成数据按各来源许可证使用 日期核对说明：Hugging Face 上的 COPA 团队技术文章明确标注 Published September 4, 2026。本文把这一天作为项目和模型公开日期，不把仓库后续更新日期误写为首次发布日。 【关键能力与改动】 1. 面向亚美尼亚语的继续预训练：模型在约 100 亿 token 上继续训练，目标是在保留通用能力的同时改善亚美尼亚语理解和生成。公开配方包含亚美尼亚语网页数据、双语 STEM 数据、英文教育语料与代码数据。 2. 数据生态同步开放：ArmWeb 含约 437 万份清洗后的亚美尼亚语网页文档，团队报告其规模约为 33 亿 Gemma-4 token；ArmSTEM 包含约 37.3 万组英—亚美尼亚语 STEM 文本对，用于补足科学技术领域词汇与表达。 3. 可复现训练流程：团队公开预处理、训练和评测代码，并说明了数据过滤、精确与模糊去重、基准污染检查等步骤，研究者可以复核语料和结果，而不必只依赖一张成绩表。 4. 明确训练上下文边界：训练序列长度为 4096。模型架构继承基础模型的 128K 上下文能力，但团队没有在本次训练中验证超过 4096 token 的长上下文表现，因此不能把 128K 当成本次发布已经充分验证的能力。 5. 官方报告的综合成绩有提升：团队在其公开的亚美尼亚语评测组合中报告，arm-gemma-e4b 的平均得分为 0.499，基础模型为 0.477。这个数字来自开发者自己的评测设置，且主要是单个检查点结果，不能直接推导为所有任务或真实业务中都提高相同比例。 【适用对象】 这款模型主要适合研究亚美尼亚语自然语言处理、低资源语言继续预训练、本地语料构建和双语 STEM 数据的开发者与学术团队。它也可以作为后续指令微调、领域微调、检索增强或亚美尼亚语应用研究的起点。 对于需要现成聊天助手、内容审核、稳定工具调用或可以直接面向公众上线产品的团队，arm-gemma-e4b 不是开箱即用方案。应用方需要自行完成指令微调、安全对齐、领域测试、部署优化和人工审核机制。 【实际影响】 很多低资源语言项目面临的核心问题不是缺少一种训练技巧，而是缺少规模足够、来源透明、经过清洗并能合法复用的数据。COPA 将 ArmWeb、ArmSTEM、模型权重和代码放在同一个公开生态里，使亚美尼亚语研究可以从可复核的共同底座出发。 项目还提供了一个可借鉴的工程思路：先构建本地语言网页语料，再用双语专业数据补充知识密度，同时保留一部分英文教育和代码数据，最后公开正面和负面评测结果。对其他小语种团队而言，这种数据与模型一起发布的做法，可能比只发布权重更有长期价值。 【限制与使用提醒】 第一，它是基础模型，没有指令微调、聊天模板或安全微调。直接输入问题不保证得到遵循指令、事实可靠或安全的回答，尤其不能未经评估用于医疗、法律、金融等高风险场景。 第二，开发者明确披露了负面结果：部分任务提升不一致，词性标注出现退步，MMLU 与 ARC 等基准的变化也有好有坏。因此不能把平均分提升理解为每项能力都提升。 第三，ArmWeb 的来源分布偏向新闻网页，可能放大新闻体裁、时代和站点偏差；ArmSTEM 中含机器翻译内容，专业术语和句法可能带有翻译噪声。面向特定行业使用时，应补充真实本地语料并安排母语专家复核。 第四，模型继承 Gemma 基础模型的偏差和使用条款。开源可下载不等于没有许可限制，商业部署前应分别检查模型、数据集和下游依赖的许可证。 第五，官方成绩应视为团队在公开配置下的研究结果。若用于产品，应在自己的数据分布、上下文长度、硬件、延迟和质量标准下重新评测，并保留回滚与人工复核。 【官方来源】 COPA 团队技术文章：https://huggingface.co/blog/osoblanco/from-zero-to-hero-an-open-llm-ecosystem-for-armeni arm-gemma-e4b 模型页：https://huggingface.co/COPA-AI/arm-gemma-e4b 项目代码：https://github.com/COPATeam/armenian_llm_ecosystem ArmWeb 数据集：https://huggingface.co/datasets/COPA-AI/armweb ArmSTEM 数据集：https://huggingface.co/datasets/COPA-AI/armstem