Hugging Face Blog·· 2 小时前AI 评分38
NVIDIA 与 AI4Bharat 联合开源约 2.8 万亿 token 的印度语言预训练语料及 GPU 加速数据生成流水线
Scaling Indic Pretraining: 2.8 Trillion Tokens and an Open Data Generation Pipeline
AI 导读
NVIDIA 联合 IIT Madras 旗下 AI4Bharat 发布 Nemotron-pretraining-Indic-v1 预训练语料，覆盖宪法列出的 22 种印度语言约 2.8 万亿 token。
来源：Hugging Face Blog · huggingface.co