事件详情
热点事件历史事件
NVIDIA与AI4Bharat开源印度语预训练语料
1 篇报道1 个报道来源18 天前更新
先了解这件事
AI 综述
NVIDIA 联合 IIT Madras 的 AI4Bharat 实验室发布 Nemotron-pretraining-Indic-v1 预训练语料，约 2.8 万亿 token，覆盖印度宪法列出的 22 种语言，并同步开源用于生成该语料、基于 GPU 加速的数据生成流水线。 语料含 2,601.0 亿原生文字 token 和 224.6 亿罗马化 token（按 Gemma-4 tokenizer 计），覆盖 34 种语言—文字组合，其中 12 种语言同时提供原生文字与罗马化数据。 NVIDIA 称该语料“即将发布”，届时可固定数据集版本以复现实验；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 · 18 天前更新
最新进展10月16日 09:44
NVIDIA 与 AI4Bharat 开源 2.8 万亿 token 印度语言预训练语料及数据生成流水线报道时间线
沿着报道，了解事件的不同侧面。
10月16日
- Hugging Face BlogNVIDIA 与 AI4Bharat 开源 2.8 万亿 token 印度语言预训练语料及数据生成流水线
NVIDIA 联合 IIT Madras 的 AI4Bharat 实验室发布 Nemotron-pretraining-Indic-v1，约 2.8 万亿 token，覆盖印度宪法列出的 22 种语言，并同步开源用于生成该语料、基于 GPU 加速的数据生成流水线。语料含 2,601.0 亿原生文字 token 和 224.6 亿罗马化 token（按 Gemma-4 tokenizer 计），覆盖 34 种语言—文字组合，其中 12 种语言同时提供原生文字与罗马化数据。