NVIDIA publicará datos de entrenamiento con unos 2,8 billones de tokens en 22 lenguas de la India junto a IIT Madras y AI4Bharat
NVIDIA ha anunciado que publicará, junto con el IIT Madras y AI4Bharat, un conjunto de datos de entrenamiento de unos 2,8 billones de tokens para 22 lenguas de la India, así como el pipeline para generarlos. La iniciativa destaca no solo por el volumen de los datos, sino también por abrir el proceso completo, desde la traducción hasta la evaluación de calidad y la corrección.
