Hugging Face·· 10 小时前精选AI 评分61
NVIDIA 联合 AI4Bharat 推出 Nemotron 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 与 IIT Madras 旗下的 AI4Bharat 联合推出 Nemotron-pretraining-Indic-v1 预训练语料及开源 GPU 加速数据生成流水线，覆盖 22 种印度宪法官方语言共约 2.8 万亿 token。
推荐理由
原文公布了涵盖 22 种语言的 2.8 万亿 token 语料与 GPU 数据生成流水线，为低资源语言的合成数据构建与质检修复提供了可迁移实践。
来源：Hugging Face · huggingface.co