Hugging Face Blog·· 10 天前精选AI 评分63
NVIDIA 与 AI4Bharat 推出 Nemotron-pretraining-Indic-v1 语料库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 旗下 AI4Bharat 推出 Nemotron-pretraining-Indic-v1，这是一个包含约 2.8 万亿 token、覆盖 22 种印度语言的合成预训练语料库，并同步开源了用于生成该语料的 GPU 加速数据生成管线。
推荐理由
该开源预训练语料和生成流程为印度语系大模型研发提供了大规模合成数据资源和可复用的技术管线。
来源：Hugging Face Blog · huggingface.co