NVIDIA与AI4Bharat将发布2.8万亿token Indic语料

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，其中含 2,601.0 亿原生文字 token 和 224.6 亿罗马化 token。该数据集与生成它的开源 GPU 加速数据生成流程将一同发布，NVIDIA 称“即将发布”。 配套开源工具为 NeMo Data Designer 的 Nemotron Bharat 翻译插件，提供翻译与评估提示、可选的基于反馈的重写、文档窗口化和文字系统重映射支持。数据集发布后，用户可固定数据集版本以保证实验可复现；Hugging Face Datasets 支持流式读取，无需下载整个语料即可查看记录。

AI 根据报道生成 · 1 小时前更新

还没有足够的连续观测数据，暂不绘制趋势。