Hugging Face Blog·· 3 小时前AI 评分51
NVIDIA 联合 AI4Bharat 推出 2.8 万亿 Token 印度语预训练数据集与开源生成流水线
Scaling Indic Pretraining: 2.8 Trillion Tokens and an Open Data Generation Pipeline
AI 导读
NVIDIA 联合 IIT Madras 旗下 AI4Bharat 实验室推出 Nemotron-pretraining-Indic-v1 预训练语料库及开源 GPU 加速数据生成流水线，覆盖 22 种印度语言，总规模约 2.8 万亿 tokens。
来源：Hugging Face Blog · huggingface.co