Hugging Face Blog·· 21 小时前精选AI 评分64
扩展印度语预训练：2.8 万亿 token 与开放数据生成管线
Scaling Indic Pretraining: 2.8 Trillion Tokens and an Open Data Generation Pipeline
AI 导读
NVIDIA 联合 IIT Madras 的 AI4Bharat 实验室发布 Nemotron-pretraining-Indic-v1，约 2.8 万亿 token 覆盖 22 种印度语言，同时开放生成该语料的 GPU 加速数据管线。
推荐理由
语料覆盖 22 种印度语言并开放完整生成管线，读者可参考其翻译、质检与修复流程复用到自己的多语言数据构建。
来源：Hugging Face Blog · huggingface.co