NVIDIA联合AI4Bharat推出Nemotron印度语预训练数据集

2026年10月16日，NVIDIA联合印度理工学院马德拉斯分校（IIT Madras）旗下AI4Bharat实验室，推出预训练语料库Nemotron-pretraining-Indic-v1及开源GPU加速数据生成流水线。该数据集覆盖22种印度语言，总规模约2.8万亿tokens，即将与所用的数据生成管线一同正式发布。在语言覆盖上，印地语、孟加拉语、泰米尔语等12种语言包含本土文字与罗马化数据，阿萨姆语、梵语等另外10种语言则包含本土文字数据。

AI 根据报道生成 · 2 小时前更新

还没有足够的连续观测数据，暂不绘制趋势。