NVIDIA y AI4Bharat anuncian datos para 22 lenguas de la India

Un artículo de NVIDIA y AI4Bharat anuncia Nemotron-pretraining-Indic-v1, con aproximadamente dos coma ocho billones de tokens para veintidós lenguas de la India y una receta de generación de datos. El texto principal dice que el corpus se publicará próximamente, mientras que una página compañera lo describe como ya abierto. Sin un repositorio de datos comprobado, la disponibilidad queda pendiente. La documentación también presenta una suite de evaluación: la traducción no garantiza calidad cultural ni permite atribuir toda mejora del modelo a los datos sintéticos.