Hugging Face Blog·· 2 天前精选AI 评分82
NVIDIA 与 AI4Bharat 发布 2.8 万亿 token 的 Indic 预训练语料与开源生成流程
Scaling Indic Pretraining: 2.8 Trillion Tokens and an Open Data Generation Pipeline
AI 导读
NVIDIA、IIT Madras 和 AI4Bharat 将发布 Nemotron-pretraining-Indic-v1，包含约 2.8 万亿 token，覆盖 22 种印度语言及 34 种语言—文字配置。
推荐理由
文章同时公开了大规模 Indic 语料和可复用的数据生成流程，具体说明了语言覆盖、质量筛选及数据溯源方式。
来源：Hugging Face Blog · huggingface.co