Hugging Face Blog·· 15 天前AI 评分36
NVIDIA 与 AI4Bharat 发布 2.8 万亿 token 的 Indic 预训练数据集及开放数据生成流水线
Scaling Indic Pretraining: 2.8 Trillion Tokens and an Open Data Generation Pipeline
AI 导读
NVIDIA 联合 IIT Madras 的 AI4Bharat 发布 Nemotron-pretraining-Indic-v1，覆盖 22 种印度语言、约 2.8 万亿 token，其中原生文字 2,601.0 亿 token、罗马化 224.6 亿 token（按 Gemma-4 tokenizer 计）。
来源：Hugging Face Blog · huggingface.co