NVIDIA & IIT Madras : 2,8 billions de tokens pour les langues indiennes
16 octobre 2026 · IA · NVDA,GOOGL
NVIDIA et l'IIT Madras (AI4Bharat) lancent Nemotron-pretraining-Indic-v1, un corpus de 2,8 billions de tokens couvrant 22 langues indiennes constitutionnelles. Le pipeline open-source GPU-accéléré inclut traduction, évaluation qualité et réparation des données, basé sur Gemma-4-31B-it. Ce corpus a déjà alimenté le préentraînement continu de Nemotron 3.5 Super VL avec 10 milliards de tokens indics, améliorant les benchmarks sur 5 indicateurs. La publication ouverte du pipeline permet à la communauté d'adapter la recette à ses propres données.
Impact marchés
Secteur IA/NLP ciblant les marchés émergents asiatiques. NVIDIA renforce son positionnement dans l'IA souveraine indienne. Concurrence indirecte avec Google (Gemma utilisé comme outil) et Meta sur les LLM multilingues. Tendance : montée en puissance des corpus synthétiques pour langues sous-représentées.
Opportunités
Opportunité pour NVIDIA de s'imposer comme infrastructure de référence pour l'IA indienne (1,2 Md de locuteurs). Risque : dépendance à un modèle tiers (Gemma-4) pour la génération ; qualité des données synthétiques reste inférieure aux données naturelles. Potentiel de partenariats gouvernementaux en Inde dans le cadre de l'initiative AI nationale.