Hugging Face·· 4 小时前AI 评分57
NVIDIA 与 AI4Bharat 开源 2.8 万亿 Token 印度语预训练数据集及生成管线
Scaling Indic Pretraining: 2.8 Trillion Tokens and an Open Data Generation Pipeline
AI 导读
NVIDIA 联合 IIT Madras 旗下 AI4Bharat 实验室推出 Nemotron-pretraining-Indic-v1 预训练语料库及开源 GPU 加速数据生成管线，覆盖 22 种印度语言共约 2.8 万亿 token。
来源：Hugging Face · huggingface.co