Hugging Face Blog·· 4 小时前AI 评分56
NVIDIA 与 IIT Madras 发布 2.8 万亿 token 的印度语言预训练数据集及生成流程
Scaling Indic Pretraining: 2.8 Trillion Tokens and an Open Data Generation Pipeline
AI 导读
NVIDIA 与 IIT Madras 的 AI4Bharat 实验室合作发布了 Nemotron-pretraining-Indic-v1 数据集，包含 22 种印度语言的约 2.8 万亿 token，并开源了其 GPU 加速的合成数据生成流程。
来源：Hugging Face Blog · huggingface.co