Hugging Face Blog·· 3 小时前AI 评分59
NVIDIA 与 AI4Bharat 开源 Nemotron-pretraining-Indic-v1 语料与数据生成流水线
Scaling Indic Pretraining: 2.8 Trillion Tokens and an Open Data Generation Pipeline
AI 导读
NVIDIA 与 IIT Madras 的 AI4Bharat 联合发布 Nemotron-pretraining-Indic-v1，覆盖印度宪法所列 22 种语言、约 2.8 trillion tokens 的合成预训练语料，并同步开源用于生成该语料的 GPU 加速数据流水线。
来源：Hugging Face Blog · huggingface.co