Hugging Face Blog·· 2 小时前精选AI 评分62
NVIDIA 与 AI4Bharat 发布 2.8 万亿 token 印度语言预训练语料及开放数据生成流水线
Scaling Indic Pretraining: 2.8 Trillion Tokens and an Open Data Generation Pipeline
AI 导读
NVIDIA 联合 IIT Madras 的 AI4Bharat 实验室发布 Nemotron-pretraining-Indic-v1，覆盖 22 种印度语言、约 2.8 万亿 token，其中原生文字 2601.0 亿 token、罗马化 224.6 亿 token，并同步开源基于 NeMo Data Designer 的 GPU 加速数据生成流水线。
推荐理由
原文公开了约 2.8 万亿 token 的 22 种印度语言预训练语料及完整生成流水线，读者可据此了解多语言数据构建的具体做法。
来源：Hugging Face Blog · huggingface.co