NVIDIA与IIT Madras发布2.8万亿Token印度语言预训练语料及开源数据生成管线
NVIDIA联合IIT Madras的AI4Bharat实验室推出Nemotron-pretraining-Indic-v1数据集，包含约2.8万亿token，覆盖22种印度语言的原生脚本及12种语言的罗马化文本。
推荐理由：公开了涵盖22种印度语言的2.8万亿token语料及GPU加速生成管线，为多语言模型预训练提供了可复用的合成数据构建方案。
#数据/训练
Hugging Face Blog精选AI 评分6060
Hugging Face Blog精选AI 评分6565 NVIDIA 发布 Nemotron 微调 IOI 和 IMO 金牌模型的研究成果
NVIDIA 团队基于 Nemotron 3 通过监督微调（SFT）、强化学习（RL）和反馈驱动推理，构建了在 IMO 2026 和 IOI 2026 达到金牌水平的专用系统。
推荐理由：原文公开了将 Nemotron 微调至竞赛金牌水平的完整配方，包含 SFT、RL 与推理循环的协同设计细节及开源资源。
已经到底了