Hugging Face Blog·· 2 小时前AI 评分40
NVIDIA 与 AI4Bharat 发布 2.8 万亿 token 的 Indic 预训练数据集 Nemotron-pretraining-Indic-v1
Scaling Indic Pretraining: 2.8 Trillion Tokens and an Open Data Generation Pipeline
AI 导读
NVIDIA 联合 IIT Madras 的 AI4Bharat 发布 Nemotron-pretraining-Indic-v1，覆盖 22 种印度语言、约 2.8 万亿 token，含 2601.0 亿原生文字 token 与 224.6 亿罗马化 token，并将开源配套的 GPU 加速数据生成流程。
来源：Hugging Face Blog · huggingface.co