Hugging Face Blog·· 5 小时前AI 评分57
NVIDIA 与 IIT Madras 发布 2.8 万亿 token 印度语预训练语料及开源数据生成流程
Scaling Indic Pretraining: 2.8 Trillion Tokens and an Open Data Generation Pipeline
AI 导读
NVIDIA 联合 IIT Madras 及其 AI4Bharat 实验室发布 Nemotron-pretraining-Indic-v1，覆盖 22 种印度语言、约 2.8 万亿 token，并同步开源用于生成该语料的 GPU 加速数据生成流程。
来源：Hugging Face Blog · huggingface.co