NVIDIA 与 AI4Bharat 发布 2.8 万亿 token 的 Indic 预训练语料及开源数据生成流水线

NVIDIA 联合 IIT Madras 的 AI4Bharat 实验室发布 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，并同步开源基于 NeMo Data Designer 的 GPU 加速数据生成流水线。