新闻 · Hugging Face Blog
扩展印度语言预训练：2.8万亿Token与开放数据生成流水线
en
英文原标题：Scaling Indic Pretraining: 2.8 Trillion Tokens and an Open Data Generation Pipeline
本文为英文原文的机器翻译摘要，原文见：Hugging Face Blog ↗
- NVIDIA 与 IIT Madras 的 AI4Bharat 实验室联合发布 Nemotron-pretraining-Indic-v1，约 2.8 万亿 token，覆盖印度宪法列出的 22 种语言，并同步开源 GPU 加速的数据生成流水线。
- 语料包含全部 22 种语言的本地文字数据，以及其中 12 种语言的罗马化文本，共 34 种语言-文字配置；罗马化指用拉丁字母书写印度语言，而非英文翻译。
- 流水线基于 NVIDIA 开源框架 NeMo Data Designer，对 15 个 Nemotron-CC-v2 子集的英文文档进行翻译、质量评估与定向修复，并保留来源标识以便追溯。
- 12 种语言的工作流使用 Gemma-4-31B-it 进行全文翻译，采用受 MQM 启发的评分标准（满分 100，保留至少 75 分），低分输出经修复后重新评估，共挽回 4384 亿 token。
- Nemotron 3.5 Super VL 的持续预训练已使用该语料中 12 种语言的子集及自然印度语文本，新增 100 亿印度语 token；团队计划在未来 Nemotron 模型中继续扩展该语料。
关键数据
- 约 2.8 万亿 token，覆盖 22 种印度语言
- 本地文字 token 2601.0 亿，罗马化 token 224.6 亿（使用 Gemma-4 tokenizer 计数）
- 34 种语言-文字配置，12 种语言同时有本地文字和罗马化数据
- 翻译质量评分阈值：满分 100 分中至少 75 分
- 修复流程挽回 438.4 亿 token
- Nemotron 3.5 Super VL 持续预训练新增 100 亿印度语 token
- 22 种语言是 97% 印度人的第一语言，2011 年人口普查约 12 亿公民
引语
- we do not have enough data for Indian languages
为什么值得看：该发布为印度语预训练提供了大规模开放语料和可复用的数据生成配方，有助于缓解印度语训练数据不足的问题。