Updesh Indic Synthetischer Textdatensatz

Updesh ist ein synthetischer Textdatensatz für indische Sprachen, der 2025 von Microsoft veröffentlicht wurde, um das Nachtraining von Large Language Models (LLMs) für indische Sprachen zu erleichtern.

Der Datensatz enthält 6.800.000 Inferenzdaten und 2.100.000 generierte Daten in den folgenden Sprachen: Assamesisch, Bengalisch, Gujarati, Hindi, Kannada, Malayalam, Marathi, Nepali, Odia, Punjabi, Tamil, Telugu und Urdu.