AI4Bharat 与 NVIDIA 联合开源约 2.8 万亿 token 的印度语言预训练数据及 GPU 加速生成流程

AI4Bharat 与 NVIDIA 发布约 2.8 万亿 token 的 Nemotron-pretraining-Indic-v1 印度语言预训练语料，覆盖宪法列出的 22 种印度语言，其中 12 种语言同时提供本地文字与拉丁化转写，并开源配套的 GPU 加速合成数据生成流程（基于 NeMo Data Designer 与 Gemma-4-31B-it）。