NVIDIA与AI4Bharat发布印度语言预训练语料

2026年10月16日，NVIDIA联合印度理工学院马德拉斯分校旗下的AI4Bharat团队，开源了印度语言预训练语料Nemotron-pretraining-Indic-v1。该语料覆盖印度宪法列出的全部22种官方语言，规模约为2.8万亿token，并配套发布基于GPU加速的数据生成流水线。开源托管在Hugging Face平台。 此前该事件尚无其他报道记录，本次一手发布即为目前已知的最早且唯一公开信息，未出现与早先报道相互矛盾的情况。

AI 根据报道生成 · 58 分钟前更新

还没有足够的连续观测数据，暂不绘制趋势。