NVIDIA与AI4Bharat发布印度语预训练语料
热点事件观察中
NVIDIA与AI4Bharat发布印度语预训练语料
1 篇报道1 个报道来源1 天前更新
先了解这件事
AI 综述
NVIDIA联合IIT Madras的AI4Bharat发布Nemotron-pretraining-Indic-v1，一个覆盖22种印度语言、约2.8万亿token的预训练语料，其中约2601亿为原生文字token、约224.6亿为罗马化token（按Gemma-4 tokenizer计）。 NVIDIA称，与该语料配套的开源GPU加速数据生成管线将“即将发布”。该管线包含面向NeMo Data Designer的开源Nemotron Bharat翻译插件，提供翻译与评估提示、可选的基于反馈重写、文档窗口化和文字系统重映射支持。 NVIDIA还提示，发布后应固定数据集版本以保证实验可复现；Hugging Face Datasets支持流式读取，可在不下载整个语料的情况下查看记录。
AI 根据报道生成 · 1 天前更新
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 发布 Nemotron-pretraining-Indic-v1：2.8 万亿 token 的印度语言预训练语料与开放数据生成管线
NVIDIA 联合 IIT Madras 的 AI4Bharat 发布 Nemotron-pretraining-Indic-v1，覆盖 22 种印度语言、约 2.8 万亿 token，含 2,601.0 亿原生文字 token 和 224.6 亿罗马化 token（按 Gemma-4 tokenizer 计）。
本事件热度走势
- 可比范围当前
- 5
- 可比范围峰值
- 1010月16日 11:00
- 近 24 小时变化
- -50%
02.557.510
12:0018:0010月17日06:0012:00
趋势仅比较持续完整观测到的相同主体，范围可能小于当前热度统计。移动指针或点击图表查看每小时热度；键盘可用左右方向键切换。