Hugging Face Blog·· 2 小时前精选AI 评分62
NVIDIA 与 AI4Bharat 发布 2.8 万亿 token 印度语言预训练语料及开放生成流水线
Scaling Indic Pretraining: 2.8 Trillion Tokens and an Open Data Generation Pipeline
AI 导读
NVIDIA 联合 IIT Madras 的 AI4Bharat 实验室发布 Nemotron-pretraining-Indic-v1，约 2.8 万亿 token，覆盖印度宪法列出的 22 种语言，并同步开放用于生成该语料的 GPU 加速数据生成流水线。
推荐理由
NVIDIA 与 AI4Bharat 公开 2.8 万亿 token 的印度语言预训练语料及生成流水线，读者可了解其数据构成与可复用配方。
来源：Hugging Face Blog · huggingface.co