返回首页
RadarAI··论文与技术

NVIDIA 与 AI4Bharat 开源 2.8 万亿 token 的 Indic 预训练语料及数据生成管线

中文摘要

NVIDIA与AI4Bharat开源了Nemotron-pretraining-Indic-v1,包含覆盖22种印度语言的2.8万亿token预训练语料。

English Summary

NVIDIA and AI4Bharat open-sourced Nemotron-pretraining-Indic-v1, a pre-training corpus with 2.8 trillion tokens covering 22 Indian languages.

原文节选

NVIDIA 联合 IIT Madras 的 AI4Bharat 发布 Nemotron-pretraining-Indic-v1,约 2.8 万亿 token,覆盖印度宪法列出的 22 种语言,含 2601.0 亿原生文字 token 和 224.6 亿罗马化 token(按 Gemma-4 tokenizer 计)。