Hugging Face Blog·· 2 小时前精选AI 评分62
NVIDIA 与 AI4Bharat 发布 2.8 万亿 token 的 Indic 预训练语料及开放数据生成流程
Scaling Indic Pretraining: 2.8 Trillion Tokens and an Open Data Generation Pipeline
AI 导读
NVIDIA 联合 IIT Madras 的 AI4Bharat 实验室推出 Nemotron-pretraining-Indic-v1，约 2.8 万亿 token，覆盖印度宪法列出的 22 种语言，并同步开放用于生成该语料的 GPU 加速数据生成流程。
推荐理由
原文给出了语料规模、语言覆盖和可复用的生成流程，读者可据此判断如何构建自己的多语言预训练数据。
来源：Hugging Face Blog · huggingface.co