Hugging Face Blog·· 1 小时前精选AI 评分68
NVIDIA 与 AI4Bharat 发布 Nemotron-pretraining-Indic-v1 预训练语料库及开源合成数据生成管线
Scaling Indic Pretraining: 2.8 Trillion Tokens and an Open Data Generation Pipeline
AI 导读
NVIDIA 联合 IIT Madras 旗下 AI4Bharat 推出 Nemotron-pretraining-Indic-v1，包含覆盖 22 种印度语言约 2.8 万亿 Token 的预训练语料库及配套的开源 GPU 加速数据生成管线。
推荐理由
该博客介绍了面向 22 种印度语言的预训练语料库及开源数据生成流程，并展示了在 Nemotron 模型上的增量预训练效果，为多语言大模型研发提供了可复用的合成数据方案。
来源：Hugging Face Blog · huggingface.co