NVIDIA 与 AI4Bharat 开源 2.8 万亿 token 的 Indic 预训练语料

NVIDIA 联合 IIT Madras 的 AI4Bharat 实验室推出 Nemotron-pretraining-Indic-v1，覆盖 22 种印度语言、约 2.8 万亿 token，包含 2601.0 亿原生文字 token 和 224.6 亿罗马化 token（按 Gemma-4 tokenizer 统计），并将开源配套的 GPU 加速数据生成流水线。