Hugging Face Blog·· 3 小时前精选AI 评分62
NVIDIA 与 AI4Bharat 发布 Nemotron-pretraining-Indic-v1：约 2.8 万亿 token 覆盖 22 种印度语言
Scaling Indic Pretraining: 2.8 Trillion Tokens and an Open Data Generation Pipeline
AI 导读
NVIDIA 联合 IIT Madras 的 AI4Bharat 发布 Nemotron-pretraining-Indic-v1，约 2.8 万亿 token，覆盖 22 种印度语言，其中原生文字 2,601.0 亿 token、罗马化 224.6 亿 token（按 Gemma-4 tokenizer 计数），并将随附开源、GPU 加速的数据生成流程。
推荐理由
原文公开了约 2.8 万亿 token 的语料构成与完整生成流程，读者可据此判断如何复用到自有语料。
来源：Hugging Face Blog · huggingface.co