Hugging Face Blog·· 4 天前AI 评分46
NVIDIA 与 AI4Bharat 拓展印度语预训练：2.8 万亿 Token 与开源数据生成管线
Scaling Indic Pretraining: 2.8 Trillion Tokens and an Open Data Generation Pipeline
AI 导读
NVIDIA 联合 IIT Madras 旗下 AI4Bharat 推出 Nemotron-pretraining-Indic-v1 预训练语料库及开源 GPU 加速数据生成管线，涵盖 22 种印度语言约 2.8 万亿 tokens。
来源：Hugging Face Blog · huggingface.co