**NVIDIA 开源 Indic 预训练数据生成管线，规模达 2.8 万亿 Token**

_Scaling Indic Pretraining: 2.8 Trillion Tokens and an Open Data Generation Pipeline_

> NVIDIA 发布了针对印度语言（Indic）的预训练模型，通过开源的数据生成管线，成功构建了包含 2.8 万亿 Token 的高质量语料库，旨在提升印度语言大模型的性能与覆盖范围。

**来源信息**
- **来源**：Hugging Face：Blog（RSS）
- **分类**：论文
- **发布时间**：2026-10-16 09:44（北京时间）
- **原文**：[打开原文](https://hf-mirror.com/blog/nvidia/scaling-indic-pretraining)