Hugging Face Blog·· 2 小时前AI 评分55
NVIDIA 与 AI4Bharat 发布 2.8 万亿 token 印度语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 2601.0 亿 token、罗马化 224.6 亿 token，共 34 种语言-文字配置。
来源：Hugging Face Blog · huggingface.co