Nemotron-pretraining-Indic-v1
AssessNền tảng
Bộ ngữ liệu tiền huấn luyện cho các ngôn ngữ Indic phục vụ phát triển mô hình.
Vì sao ở đây
Xếp vào Assess: 1 bài bằng chứng từ 1 nguồn, chủ yếu là hoạt động mã nguồn mở, 1 bài trong 30 ngày qua. Độ tin cậy 24%. Bằng chứng còn ít nên xếp thận trọng, chờ thêm tín hiệu.
Bằng chứng (1)
- 8Hugging Face Blog·16/10/2026open_sourceNVIDIA và AI4Bharat công bố kho dữ liệu tiền huấn luyện Indic 2,8 nghìn tỷ token
NVIDIA và AI4Bharat sắp phát hành Nemotron-pretraining-Indic-v1, một bộ dữ liệu quy mô khoảng 2,8 nghìn tỷ token cho 22 ngôn ngữ Ấn Độ, cùng với một quy trình tạo dữ liệu mã nguồn mở tăng tốc bằng GPU. Bản phát hành bao gồm dữ liệu chữ bản địa cho cả 22 ngôn ngữ, văn bản Latin hóa cho 12 ngôn ngữ, cùng các quy trình dịch, đánh giá chất lượng và sửa lỗi để hỗ trợ xây dựng mô hình ngôn ngữ Indic tốt hơn.