Hugging Face Blog·· 10 小时前AI 评分58
NVIDIA 与 IIT Madras 发布 2.8 万亿 token 的 Indic 预训练语料及开源数据生成流程
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，约 2.8 万亿 token，覆盖印度宪法列出的 22 种语言，其中 12 种语言同时提供罗马化文本，共 34 种语言-文字组合。
来源：Hugging Face Blog · huggingface.co