英伟达与 IIT 马德拉斯开源 2.8T token 印度语言预训练语料管线
NVIDIA 与 IIT 马德拉斯及其 AI4Bharat 实验室发布 Nemotron-pretraining-Indic-v1：约 2.8 万亿 token，覆盖印度宪法列出的 22 种语言——官方称这些语言是 97% 印度人的母语，按 2011 年普查约 12 亿人。原生文字数据覆盖 22 种语言，另有 12 种语言的罗马化数据。
与语料一同开放的是生成管线：从英文源文档出发，经翻译、质量评估与修复三步产出训练数据，并给出 12 语言与 10 语言两套工作流。质量环节按含义、流畅度、术语、风格、格式五项打分，只保留百分制里 75 分以上的样本；低分样本用评估反馈回修后再按同一阈值复评，官方称这一环节找回 4384 亿 token。
官方同时给出持续预训练后的效果：Nemotron 3.5 Super VL 的印度语言能力有提升，配套报告数据集已放出。管线被描述为 GPU 加速、替换源材料后可复用，官方也单列了适用范围与局限一节。
核验记录
官方博客（Hugging Face 托管，署名 AI4Bharat 与 NVIDIA 两方）的 JSON-LD datePublished 为 2026-10-16T01:44Z，页内可见 October 16, 2026；配套报告数据集 nvidia/nemotron-indic-pretraining-report 建仓 10-16T01:54Z，同日互证。⚠ 语料本体 nvidia/Nemotron-pretraining-Indic-v1 本轮匿名读仍返回 401（官方文写的是 releasing soon），故文中「开放」指生成管线与报告，语料可下载状态待复核。2.8T token、4384 亿修复量、75 分阈值等数字均为官方自述。配图取官方博客 og:image：两向 200、PNG 1600×1026。