NVIDIA 发布 Nemotron-Mini-Hindi-4B 数据集, 应用在 语言模型、印地语 领域

NVIDIA 本次发布的数据集 Nemotron-Mini-Hindi-4B, Nemotron-Mini-Hindi-4B数据集由NVIDIA创建，旨在提升多语言大语言模型（LLMs）在低资源语言如印地语（Hindi）中的表现。该数据集包含4000亿个标记，由真实和合成的印地语及英语数据混合组成。数据集的创建过程包括使用机器翻译和音译技术生成合成数据，并结合真实数据进行持续预训练。该数据集主要应用于改进LLMs在印地语和英语任务中的性能，特别是在低资源语言环境下的语言理解和生成能力。

查看Nemotron-Mini-Hindi-4B

Dataset card 内容： 

Files and versions 内容： 

关于 NVIDIA , 英伟达是一家专注于图形处理器开发的全球知名技术公司。

关于 arXiv , arXiv 是一个免费分发服务和开放获取的学术文章档案库，涵盖了物理学、数学、计算机科学、定量生物学、定量金融、统计学、电气工程和系统科学以及经济学等领域。该网站上的材料并未经过 arXiv 的同行评审。