Hugging Face 开源印度语系预训练管线:2.8 万亿 token 数据
Hugging Face Blog · rss · 2026-10-16
Hugging Face 博客介绍 Indic 语系预训练扩展工作:构建了 2.8 万亿 token 的训练语料,并开源了完整的数据生成管线,覆盖多语言数据的采集、清洗与配比流程,旨在提升印度诸语言模型的预训练质量,为低资源语言的开放预训练提供了可复用的数据基础设施。
「Infra」频道最新
- 开源 VibeZero:用 agent 一把生成整套可部署的 vibe coding 平台 — cnakazawa · 2026-10-16
- CoreWeave 债务成本大幅下降:DDTL 利差从 S+9.62% 收窄至 S+2.25% — BenBajarin · 2026-10-16
- 软银筹备 SB Energy 与机器人子公司 Roze 美国上市,估值或超 500 亿美元 — nordicinst · 2026-10-16
- TRL 复现 Modal 混合精度 RL 训练：GRPO 150 步崩塌，SC+MIS 稳到 0.72 — QGallouedec · 2026-10-16
- 英伟达 Vera Rubin NVL72 首批实测：每兆瓦吞吐最高达 GB300 的 5.7 倍 — ArtificialAnlys · 2026-10-16
- Turing Post 盘点 2026 年 14 款开源 LLM 可观测性工具 — TheTuringPost · 2026-10-16