Hugging Face Blog·· 2 天前精选AI 评分60
NVIDIA 与 AI4Bharat 发布 2.8 万亿 token 的 Indic 预训练语料及开源数据生成流程
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 2601.0 亿为本地文字 token、224.6 亿为罗马化 token，计数使用 Gemma-4 tokenizer。
推荐理由
原文给出了语料规模、语言覆盖和可复用的生成流程，读者可据此判断如何构建自己的 Indic 预训练数据。
来源：Hugging Face Blog · huggingface.co