22 种语言的母语文字数据、12 种语言的罗马化数据，以及一套可复用的 GPU 加速流水线，用于翻译、质量评估和修复。
作者：AI4Bharat — Mohammed Safi Ur Rahman Khan、Mitesh Khapra、Anoop Kunchukuttan。NVIDIA — Niket Agarwal、Raviraj Joshi、Anusha Kamath、Markus Kliegl、Yev Meyer、Sriharsha Niverty、Kiran Praveen、Utkarsh Vaidya。
我们很高兴推出Nemotron-pretraining-Indic-v1大约覆盖 22 种印度语言的 2.8 万亿 token，即将发布，同时还会发布开放的、GPU 加速的数据生成流水线，该流水线正是用来创建它的。这些是印度宪法中列出的 22 种语言：它们是 97% 印度人的第一语言，按 2011 年人口普查计算，涉及近 12 亿公民。由 NVIDIA 与IIT Madras（印度首屈一指的工程学院）及其AI4Bharat实验室共同开发，此次发布为模型构建者提供了用于 Indic 预训练的重要新资源。该流水线记录了完整的生成配方，包括提示词、LLM 工作流和质量检查，因此开发者可以将其适配到自己的源材料，并根据需要生成更多数据。
AI4Bharat 是 IIT Madras 的印度语言研究实验室，为印度语言构建开源数据集和模型。其资源，例如Sangraha，一个面向 22 种印度语言的开源预训练语料库，为开放的 Indic 语言模型研究奠定了基础。我们联合开源的发布，代表着社区可用的开放合成 Indic 训练数据的一次大幅扩展。它把精心策划的英文材料（包括数学、代码和问答内容）广泛混合并引入印度语言，为团队提供更多训练材料，用于构建能够用这些语言解释技术概念、逐步解决问题并回答问题的模型。每条记录都可追溯到一份经过策划的源文档，每个输出都会与其输入进行核对，因此合成文本始终以真实信息为依据。
Mitesh Khapra，他领导 AI4Bharat，并入选了2025 年 TIME100 AI 榜单指出了核心问题：印度语言技术落后于英语，因为“我们没有足够的印度语言数据”。我们正用更多数据来回应这一呼吁，并提供一套用于生成更多数据的开放配方。
该语料库还考虑了人们的书写方式。它包含全部 22 种语言的本地文字数据，以及 12 种语言的罗马化文本，覆盖 34 种语言-文字配置。我们的工作流结合了文档级翻译、质量评估和针对性修复，并设有检查机制以保留公式、表格和代码等内容。这些数据补充了自然撰写的印度文本，后者对于本地知识和文化语境仍然不可或缺。
我们正在分享开放生成配方以便社区不仅能复现这些数据，还能将这项工作推进得更远。团队可以直接使用该语料库、调整提示词和质量检查，或将自有源文档引入工作流。通过同时开放数据和流程，我们旨在让大规模印度语言数据生成更易获取，并让更多开发者能够为打造更强的印度语言模型做出贡献。
持续预训练用于Nemotron 3.5 Super VL新增了 100 亿印度语言 token，取自该语料库中 12 种语言的子集以及自然印度文本。我们关于该模型的技术报告涵盖了完整内容。我们计划在未来的 Nemotron 模型中基于该语料库继续构建。
语料库中包含什么？
图 1。该语料库包含 2,601.0 亿本地文字 token 和 224.6 亿罗马化 token。计数使用 Gemma-4 分词器。文档记录包含共享来源的译文和文字变体；它们并非唯一英文文档的计数。
该语料库包含两组语言配置：
- 本地文字和罗马化数据：孟加拉语、古吉拉特语、印地语、卡纳达语、马拉雅拉姆语、马拉地语、尼泊尔语、奥里亚语、旁遮普语、泰米尔语、泰卢固语和乌尔都语。
- 本地文字数据：阿萨姆语、博多语、多格拉语、克什米尔语、孔卡尼语、迈蒂利语、曼尼普尔语、梵语、桑塔利语和信德语。
此处，本地文字描述的是书写系统：文本仍是从英文翻译而来。罗马化指的是用拉丁字母书写的印度语系语言文本，而非英文翻译。对于这十二种双文字语言，罗马化覆盖了部分被接受的本地文字译文。
在构建训练数据混合时，这一区分很重要。本地文字记录和罗马化记录提供的文字暴露不同，但可以表达相同的底层内容。token 计数描述的是保留的语料，包括被接受的改写，而非某次训练运行的 token 预算。计数还取决于所使用的分词器，因此语料库清单和训练 token 计数应分开解读。
从英文源文档到印度语系训练数据
为构建该语料库，我们从 15 个Nemotron-CC-v2子集开始，涵盖网页文本、问答材料、数学、代码及其他专业内容。我们使用NeMo Data Designer，这是 NVIDIA 用于生成合成数据的开源框架，来执行翻译、质量检查和针对性修复。在整个工作流中，我们保留每个源标识符，以便开发者能将输出追溯回其原始文档。这种清晰的溯源正是开放数据便于审计和在此基础上构建的原因之一。图 2 展示了十二种语言的工作流。
图 2. 针对十二种语言的四阶段印度语系合成数据流水线，使用 NeMo Data Designer 和 Gemma-4-31B-it 实现。我们翻译英文文档、评估翻译质量、修复低分输出，并将一部分被接受的译文转换为拉丁字母。其余十种语言使用下文所述的单独 Indic Translate 工作流。
十二种语言的工作流
对于这十二种语言，我们完整翻译文档，以便模型能够利用跨段落、表格和公式的上下文。我们通过比较模型在完整文档上的表现、检查翻译质量和技术内容的保留情况，选择了Gemma-4-31B-it。我们的提示词区分了需要翻译的正文和需要保留的内容，包括代码、公式、URL 和格式。
翻译完成后，我们使用同一模型对照英文原文评估每个输出。一套受多维质量指标（Multidimensional Quality Metrics）启发的评分标准(MQM)，一个按错误类型和严重程度对翻译错误进行分类的开放框架，涵盖含义、流畅度、术语、风格和格式。我们只保留得分至少为 100 分中 75 分的输出（这是评分标准得分，不是准确率百分比）。对于得分较低的输出，我们利用评估反馈来指导修复，然后按同一阈值重新评估。这一过程恢复了4384 亿 token涵盖原生文字和罗马化数据，已计入语料库总量。抽样人工审核和故意引入错误的测试帮助识别了遗漏和残留英文，为改进我们的提示词和检查提供了依据。
被接受的原生文字译文也为罗马化数据提供了起点。我们将其中一部分转换为拉丁字母，并对照其原生文字输入检查每个结果。这样就把翻译与文字转换分离开来。在我们最初的人工对比中，这种两步法比直接从英文生成罗马化文本产生的幻觉性添加更少，残留英文也更少。
十语言工作流
对于另外十种语言，我们调整了工作流，以解决在对比中观察到的长文档质量和文字稳定性问题。我们使用Indic Translate进行翻译，这是一个面向英文和 22 种印度语言的文档级翻译模型，来自Bodhan AI，这是一个非营利性 AI 教育中心，孵化于 IIT Madras。随后 Gemma-4-31B-it 对照英文原文评估每份译文。对于八种语言，我们保留整文档方法。对于较长的 Santali 文档，我们翻译重叠窗口并重建文档；对于 Manipuri，我们先翻译成孟加拉文字，再转换为 Meitei Mayek（其原生文字）。这些工作流只保留得分至少为 100 分中 75 分的输出，并且只生成原生文字数据，不进行基于反馈的重写。
Indic 继续预训练之后发生了什么变化？
Nemotron 3.5 Super VL 技术报告比较了 Indic 继续预训练（CPT）阶段之前的检查点与该阶段之后的检查点。配置的预算为 1000 亿训练 token，其中 10%（100 亿 token）分配给合成与自然 Indic 文本的混合数据。其余 90% 保持前一训练混合数据的相对比例。
在报告的全部五个 Indic 知识与推理基准测试上，得分均有提升：MILU、Indic MMLU-Pro、Indic ARC-Challenge、Indic ARC-Easy 和 Indic GSM8K。
图 3. Nemotron 3.5 Super VL 在 Indic CPT 阶段前后的对比。提升幅度为 4.98 至 9.82 个百分点。该比较报告的是在一个结合合成与自然 Indic 数据的训练阶段中的变化，而非单独分离出合成语料的贡献。各基准测试的语言覆盖范围不同；这些是阶段级检查点，而非最终模型发布版本的比较。
来源：Nemotron 3.5 Super VL 技术报告，表 2。GSM8K 排除了 Odia，因为评估超出了服务上下文限制。
这些提升支持了合成与自然 Indic 数据结合的 CPT 配方，而其他模型和语言的混合数据选择仍有待进一步研究。
配套的 Indic 报告使用十二种语言组的第一轮通过数据，考察了来源混合、合成数据池规模和文字覆盖范围。评估完整语料（包括恢复的重写内容和另外十种语言）仍是这些受控研究的下一步。
Nemotron 3.5 Super VL 更广泛的 Indic 能力
除了 CPT 阶段的结果之外，发布模型与上一代相比表现如何？图 4 比较了 Nemotron 3.5 Super VL 与Nemotron 3 Super在 Indic 任务性能和语言质量方面的表现。这些结果反映了发布模型的完整训练流程，包括 Indic CPT 和后训练。
Nemotron 3.5 Super VL 在所示六个任务基准测试中的五个上得分更高，涵盖知识、推理、数学、代码和翻译。IFEval 1.5 上的指令遵循下降了 2.04 个百分点。它在全部四个IndiVibe维度：有用性、流畅度、语言与文字忠实度，以及适当的详细程度。IndiVibe 是 Sarvam AI 的开放基准测试，包含印度各语言的助手风格提示词。这些评估共同考察了模型能做什么，以及它在印度语言中的沟通效果如何。
图 4. Nemotron Super 各代际的 Indic 任务表现与语言质量。左：六项任务基准测试。右：初步的 IndiVibe 条件偏好分数，并非直接的头对头胜率。标签显示的是百分点变化，但 WMT24++ 除外，它使用的是 chrF 分数。基准测试与评估详情请参见配套的 Indic 技术报告。
开始构建
加载语料库
从模型所需的语言和文字入手，检查一个样本，并在训练前查看数据集卡片和许可证。配置使用语言、文字和地区标签：例如，hi-Deva-IN表示使用天城文的印地语，而hi-Latn-IN表示罗马化印地语。
下面的示例会从数据集卡片中获取仓库 ID，然后发现可用的划分并流式读取一个样本。
来自 datasets 导入 get_dataset_split_names, load_dataset
dataset_id = 输入("数据集卡片中的仓库 ID：").strip()
config = "hi-Deva-IN"
splits = get_dataset_split_names(dataset_id, config_name=config)
打印("可用划分：", splits)
data = load_dataset(
dataset_id, name=config, split=splits[0], streaming=True
)
打印(下一个(迭代器(data)))
Hugging Face Datasets支持流式读取，因此读者无需下载整个语料库即可检查记录。发布版可用后，请固定数据集修订版本，以保证实验可复现。
对于首次训练研究，在固定 token 预算下比较各混合配比，并记录自然/合成以及原生/罗马化的占比。在跟踪各语言结果的同时，也要跟踪英语能力保持情况和语言/文字质量。创建留出划分时，要考虑跨语言和文字源自同一来源的记录。
要构建更完整的配方，可将该语料库与 Nemotron 后训练数据搭配使用，例如Chat & Instruction或Post-Training Blends集合。对于印度特定的合成数据，可用Nemotron-Personas-India为 NeMo Data Designer 提供种子，这是基于印度真实世界分布的英语和印地语合成人物画像。
调整生成配方
开源Nemotron Bharat 翻译插件为 NeMo Data Designer 提供翻译和评估提示词、可选的基于反馈的重写、文档窗口化以及脚本重映射支持。使用其配置参考来选择模型和语言，让提示词适配你的领域，并设置重写参数。随附的开发者说明解释了工作流程和工程选择。
先用你自己源文档的一小部分样本开始。检查翻译质量以及对代码、数学公式和格式的保留情况，然后在扩大规模之前，与母语审校人员一起完善提示词和检查项。将生成和语料验收视为两个独立步骤：插件返回候选和分数，而你的过滤策略决定哪些记录进入训练语料。
范围与局限
翻译拓宽了对源材料的获取途径，但并不能替代原本以印度语言撰写的文本，也不保证覆盖本地知识和文化。我们建议将此语料与来源恰当的天然印度语言文本结合，并针对预期用例评估所得的混合数据。
质量评估主要是自动化的，辅以抽样人工审核，其覆盖率因语言而异。对于十二语言工作流（图 2），翻译器同时充当评判者。保留的文本仍可能包含错误，而十语言工作流需要更广泛的母语者验证。源 ID 检查会移除处理过程中的重复项；它们并非对相似内容的语义去重。
除语料之外，IIT Madras 的 AI4Bharat 在 NVIDIA 的支持下正在构建 Indic-LLM-Eval-Suite，这是一个开放且不断发展的基准测试集合，用于评估印度语言模型能力。它帮助模型构建者评估任务性能和语言质量。参见配套博客，更好的模型需要更好的基准测试：推出 Indic-LLM-Eval-Suite。
探索语言配置、测试训练混合数据，或将开放配方适配到新领域。分享各语言结果以及对生成工作流的改进，可以帮助社区在此工作基础上继续推进。
延伸阅读与致谢
配套报告，为印度语言大模型扩展合成预训练数据与评估以及Nemotron 3.5 Super VL 与 Lightning 技术报告，提供语料库统计、生成方法、实验和评估细节。评估是这项工作的另一半。关于基准测试方面，请参阅 AI4Bharat 和 NVIDIA 的配套博客，更好的模型需要更好的基准测试：推出 Indic-LLM-Eval-Suite。
这项工作汇集了 NVIDIA、IIT Madras、AI4Bharat 和 Bodhan AI。我们还感谢流程中使用的模型和工具贡献：Google 的 Gemma、Bodhan AI 的 Indic Translate 和 NeMo Data Designer。更多 NVIDIA 数据资源可在Nemotron 预训练数据集合集中获取。