Hugging Face Blog·· 17 天前精选AI 评分55
NVIDIA 发布 2.8 万亿 token 印地语预训练语料与开源数据生成流水线
Scaling Indic Pretraining: 2.8 Trillion Tokens and an Open Data Generation Pipeline
AI 导读
NVIDIA 联合 IIT Madras 与 AI4Bharat 发布 Nemotron-pretraining-Indic-v1 语料库及开源 GPU 加速数据生成流水线，即将在 Hugging Face 开放。
推荐理由
公开2.8万亿token印地语语料和复用的GPU加速生成流程，开发者可直接复用或微调以构建本土语言模型。
来源：Hugging Face Blog · huggingface.co