hiw3c 日报精选
BestBlogs·AI 高分精选 中文 网页快照

扩展印度语言预训练:2.8 万亿 token 与开放数据生成流水线

📌 One-Sentence Summary NVIDIA 与 AI4Bharat 发布 Nemotron-pretraining-Indic-v1,一个覆盖 22 种印度语言、约 2.8 万亿 token 的合成语料库,同时开源了用于翻译、质量评估与修复的 GPU 加速流水线。 📝 Summary NVIDIA、IIT Madras 及其 AI4Bharat 实验室推出 Nemotron-pre

来源:BestBlogs·AI 高分精选 · www.bestblogs.dev

Scaling Indic Pretraining: 2.8 Trillion Tokens and an Open Data Generation Pipeline

NVIDIA and AI4Bharat release Nemotron-pretraining-Indic-v1, a 2.8-trillion-token synthetic corpus covering 22 Indian languages, alongside an open GPU-accelerated pipeline for translation, quality assessment, and repair.