輝達／AI4Bharat：開源約二點八萬億 token 印度語系前置訓練語料與合成流水線——二十二語、原生與羅馬拼音並行
輝達聯同印度理工學院馬德拉斯分校旗下 AI4Bharat，於 Hugging Face 官方部落格公布印度語系前置訓練資料工程：名為 Nemotron-pretraining-Indic-v1 的語料庫涵蓋印度憲法所列二十二種語言、合計約二點八萬億 token，並同步公開以 NeMo Data Designer 為核心...
輝達聯同印度理工學院馬德拉斯分校旗下 AI4Bharat，於 Hugging Face 官方部落格公布印度語系前置訓練資料工程：名為 Nemotron-pretraining-Indic-v1 的語料庫涵蓋印度憲法所列二十二種語言、合計約二點八萬億 token，並同步公開以 NeMo Data Designer 為核心...