Hugging Face Blog·· 2 小时前精选AI 评分60
NVIDIA 发布 Indic 预训练语料与开源数据生成管线
Scaling Indic Pretraining: 2.8 Trillion Tokens and an Open Data Generation Pipeline
AI 导读
NVIDIA 联合 IIT Madras 的 AI4Bharat 实验室发布 Nemotron-pretraining-Indic-v1，覆盖印度宪法列出的 22 种语言、约 2.8 万亿 token，并同步开放 GPU 加速的开源数据生成管线。
推荐理由
给出2.8万亿token的22种印度语预训练语料与可复用生成管线，开发者可据此扩展本语言合成数据。
来源：Hugging Face Blog · huggingface.co