Nemotron-pretraining-Indic-v1

英伟达与IIT Madras发布2.8万亿token印度语预训练数据集

英伟达与IIT Madras的AI4Bharat实验室发布Nemotron-pretraining-Indic-v1，包含约2.8万亿token，覆盖宪法列明的22种印度语言，并开放GPU加速数据生成流水线，含提示词、LLM工作流与质量校验，方便开发者复用生成更多数据。