Indic TriviaQA数据集是TriviaQA阅读理解数据集的多语言版本，从英语翻译成10种印度语言。该版本遵循原始数据集的无上下文格式，包含由琐事爱好者编写的问题-答案对的验证集和测试集的翻译。数据集涵盖的语言包括孟加拉语、古吉拉特语、印地语、卡纳达语、马拉地语、马拉雅拉姆语、奥里亚语、旁遮普语、泰米尔语和泰卢固语。每个示例包含问题文本、答案（包括答案别名和标准化的别名）和语言代码。验证集

Hugging Face2024-10-23 更新210

microsoft/Updesh_beta

多语言模型

印度语言学

Updesh是一个大规模的合成数据集，旨在推动印度语系的LLM后训练。它结合了翻译推理数据和合成的开放域生成内容，以支持基于印度语言和文化背景的多语言LLM适应。Updesh通过提供丰富的多语言指令调整数据，填补了高质量、文化基础资源在印度语系中的空白。

Hugging Face2025-07-07 更新180

indic-nlp

自然语言处理

印度语言学

L3Cube-IndicNews是一个面向印度区域语言的新闻标题和文章的多语言文本分类语料库，包含11种印度主要语言，包括印地语、孟加拉语、马拉地语、泰卢固语、泰米尔语、古吉拉特语、卡纳达语、奥里亚语、马拉雅拉姆语、旁遮普语和英语。该数据集分为短标题分类(SHC)、长文档分类(LDC)和长段落分类(LPC)三种类型，每种类型都包含10个或更多类别的新闻文章，以支持不同文档长度的深度分析。

Hugging Face2025-06-11 更新230

IndicNLG Benchmark

自然语言生成

印度语言学

IndicNLG Benchmark是一个包含11种印度语言的自然语言生成（NLG）基准数据集，涵盖了传记生成、新闻标题生成、句子摘要、释义生成和问题生成等五种多样任务。

arXiv2022-10-27 更新200