Hugging Face Blog·· 2026-10-16AI 评分34
NVIDIA 与 AI4Bharat 开源 2.8 万亿 token 印度语言预训练语料及数据生成流水线
Scaling Indic Pretraining: 2.8 Trillion Tokens and an Open Data Generation Pipeline
AI 导读
NVIDIA 联合 IIT Madras 的 AI4Bharat 发布 Nemotron-pretraining-Indic-v1，约 2.8 万亿 token 覆盖 22 种印度语言，并同步开放用于生成该语料的 GPU 加速数据流水线。
来源：Hugging Face Blog · huggingface.co