Hugging Face Blog·· 3 小时前精选AI 评分63
NVIDIA 与 AI4Bharat 公布 2.8 万亿 token 的 Nemotron-pretraining-Indic-v1 语料及开放生成管线
Scaling Indic Pretraining: 2.8 Trillion Tokens and an Open Data Generation Pipeline
AI 导读
NVIDIA 与 IIT Madras 的 AI4Bharat 公布 Nemotron-pretraining-Indic-v1 语料，覆盖 22 种印度宪法语言，规模约 2.8 万亿 token，其中 12 种语言还提供拉丁转写数据。
推荐理由
原文给出 22 种印度语言、约 2.8 万亿 token 的语料及生成管线，并说明每条数据可追溯到源文档，便于复现和审计。
来源：Hugging Face Blog · huggingface.co