NVIDIA与AI4Bharat发布Indic预训练语料
热点事件观察中
NVIDIA与AI4Bharat发布Indic预训练语料
1 篇报道1 个报道来源2 天前更新
先了解这件事
AI 综述
NVIDIA 联合 IIT Madras 的 AI4Bharat 发布 Nemotron-pretraining-Indic-v1 预训练语料，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。 NVIDIA 称该语料将与其开源、GPU 加速的数据生成流程一同发布，目前尚未上线；发布后用户可固定数据集版本以复现实验。Hugging Face Datasets 支持流式读取，读者无需下载整个语料即可查看记录。
AI 根据报道生成 · 2 天前更新
最新进展10月16日 09:44
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报道时间线
沿着报道，了解事件的不同侧面。
10月16日
- Hugging Face Blog精选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
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。
本事件热度走势
还没有足够的连续观测数据，暂不绘制趋势。