NVIDIA与AI4Bharat发布Indic预训练语料

NVIDIA 联合 IIT Madras 的 AI4Bharat 实验室发布 Nemotron-pretraining-Indic-v1，规模约 2.8 万亿 token，覆盖印度宪法列出的 22 种语言。 NVIDIA 称，该语料将与其生成所用的开放、GPU 加速数据生成流程一同发布，但报道时尚未上线，具体发布时间未定。 语料发布后，用户可固定数据集版本以保证实验可复现；Hugging Face Datasets 支持流式读取，无需下载整个语料即可查看记录。

AI 根据报道生成 · 1 小时前更新

还没有足够的连续观测数据，暂不绘制趋势。