IndicLLMSuite：印度语大模型数据基础设施的全景解析

2024年ACL大会颁发了一项"杰出论文奖"（Outstanding Paper Award），获奖论文的研究对象不是某个新模型，而是一套数据构建工具链——这本身就说明了AI领域正在发生某种范式转移：当所有人都在讨论模型架构时，真正的瓶颈已经悄悄转移到了高质量训练数据的供给能力上。

获奖项目名为 IndicLLMSuite，由印度 AI4Bharat 团队开源发布。它瞄准的是印度22种语言的大模型数据缺口问题——这些语言覆盖超过10亿人口，却在英语大模型繁荣发展的同时几乎完全缺席。

图1：IndicLLMSuite 项目架构总览

一、背景：印度语大模型为什么长期落后？

构建印度语大模型的困难并非算法问题，而是一个数据基础设施问题。以印地语（Hindi）为例，虽然它是全球第四大语言，拥有约6亿母语者，但在开源高质量预训练数据方面，其规模与英语相差数十倍。原因有三：

第一，数据源质量参差不齐。 印度语网页充斥着机器翻译内容、低质量博客和重复文本，直接爬取等于往模型里灌"噪声"。

第二，OCR质量瓶颈。 大量印度语优质文献以扫描PDF形式存在，OCR识别印地语天城文（Devanagari）、泰米尔文（Tamil）等文字的准确率长期偏低。

第三，数据清洗缺乏专用工具。 主流英文数据清洗工具（如CCNet）对印度语脚本几乎无效——无法正确识别语言边界、分词、重复检测等基础操作。

AI4Bharat团队在构建IndicBERT、IndicTrans2等模型的长期实践中，积累了一套完整的数据处理方法论，IndicLLMSuite正是这套方法论的系统化输出。

二、三大数据集：预训练、微调、毒性对齐

IndicLLMSuite 的核心是三个大规模数据集，合计数据量非常可观：

2.1 Sangraha：2510亿Token的预训练语料

Sangraha 是目前已知规模最大的印度语预训练数据集，覆盖22种语言，总量达2510亿Token。它由三个子集构成，设计逻辑非常清晰：

Sangraha Verified（已验证） 是整个数据集的质量天花板。团队通过人工审核的方式，逐一验证待爬取网站的语言质量，剔除机器翻译站点和有毒内容。这部分工作由一个专用的 URL Verification Portal 完成——该 Portal 本身也随 IndicLLMSuite 开源，研究者可以用来构建自己的数据验证流程。Verified 数据还包含从 Internet Archive 大规模 OCR 提取的 PDF 内容、从印度语视频/播客/电影/课程转录的语音数据。

Sangraha Unverified（未验证） 来自已有的多语言语料库（如CCAligned、Wikipedia）。团队使用基于困惑度（Perplexity）的过滤方法：用 Sangraha Verified 数据训练N-gram语言模型，对候选语料逐句打分，剔除异常值。这借鉴了 CCNet 的思路，但针对印度语做了大量适配。

Sangraha Synthetic（合成） 是最具野心的部分。团队将英文维基百科内容通过 IndicTrans2 翻译成14种印度语，再通过 IndicXlit 将其音译（Romanization）回英文，由此构建了一个高质量的"语言对齐"数据集。这种"翻译→音译→回英文"的双向增强策略，显著增加了数据的语言覆盖密度。

2.2 IndicAlign-Instruct：7470万条指令微调数据

IndicAlign-Instruct 是目前最大的印度语指令微调数据集，包含约7470万条 prompt-response 对，采用四种方法构建：

• 聚合已有数据集：整合 ShareGPT、Dolly、OpenAssistant 等公开指令数据集，翻译成印度语
• 维基百科增强对话：以印度百科文章为背景，用 Llama2-70B-Chat 生成上下文对话数据
• 合成毒理数据：用 Mistral-7B-Instruct 生成有毒提示，Llama2-70B-Chat 生成拒绝/修正响应

此外，团队还专门搭建了 Anudesh 众包平台，邀请印度母语者提交真实场景的指令 prompt。这解决了"翻译数据缺乏文化本土性"的常见问题。

2.3 IndicAlign-Toxic：毒性对齐数据集

与主流大模型"追求有用性"不同，IndicAlign-Toxic 专门解决安全性对齐问题。它包含两类数据：

• HHRLHF-T：翻译自 Anthropic HH-RLHF 的毒性提示，附 Llama2-70B-Chat 的拒绝响应
• Toxic-Matrix：团队自创的合成数据集，毒性提示由 Mistral-7B-Instruct 生成，对应的安全响应由 Llama2-70B-Chat 生成

这部分数据目前已覆盖17种印度语，包含了各语言特有的NSFW词汇表（同样随项目开源）。

三、三大数据Pipeline：Setu、Setu-translate、Setu-transliterate

如果说数据集是"鱼"，那么 Pipeline 就是"渔"。IndicLLMSuite 真正有技术含量的部分，是这三个开源的数据处理流水线：

Setu 是核心清洗引擎，基于 Apache Spark 构建，负责对网页、PDF、语音三类数据源的清洗、过滤和去重。它包含四个阶段：文档准备（Document Preparation）、清洗与分析（Cleaning & Analysis）、标记过滤（Flagging & Filtering）、去重（Deduplication）。Setu 对不同语言脚本有专门的文本规范化逻辑，处理天城文、泰米尔文等复杂脚本时不依赖拉丁字符，这是它与通用工具的本质差异。

Setu-translate 是大规模翻译流水线，基于团队自研的 IndicTrans2 模型（已单独开源）。它有三个阶段：Templating（模板化）、Inference（推理翻译）、Replace（实体替换），目标是实现"结构保留式"翻译——即在翻译过程中保持文档的标题、列表、表格等结构不变。这对预训练语料的格式质量至关重要。

Setu-transliterate 是音译流水线，使用 IndicXlit 将印度语文字转换为罗马字母（Romanized）。这不仅用于 Sangraha Synthetic 的构建，也用于所有指令微调数据集的罗马化版本，方便研究者在拉丁字符环境下处理数据。

四、两个配套Portal：URL验证与数据审计

IndicLLMSuite 还开源了两个 Web Portal，帮助研究者在数据构建过程中进行人工质量把控：

URL Verification Portal：在爬取网页前，先用这个 Portal 对每个URL进行人工审核，判断该网站内容质量是否值得爬取。Portal 支持多语言界面，可以批量处理 URL 列表。

Human Data Audit Portal：数据清洗之后，再由人工对清洗结果进行二次审计。这个 Portal 集成了 Streamlit 前端 + Firebase 后端，支持多人协作标注。审计结果可以用来评估 Setu Pipeline 的清洗效果，形成"清洗→审计→反馈→优化"的闭环迭代。

两个 Portal 都有完整的 Dockerfile，理论上可以一键部署，但需要配置 Google Cloud/Firebase 凭证，实际落地有一定门槛。

五、技术架构与代码质量

从代码结构看，IndicLLMSuite 采用多仓库组合架构：主仓库作为聚合入口，通过 Git Submodule 引用四个独立子仓库（setu、setu-translate、webcorpus、sangraha-internet-archive-download）。这种设计的好处是各模块独立版本管理，但也意味着 clone 后需要额外初始化 submodule，操作略繁琐。

主仓库的语言构成为：Python（核心逻辑）、HTML/Streamlit（Portal界面）、Shell/Dockerfile（部署配置）。代码风格较为规范，有独立 LICENSE（MIT）。文档质量较高，README 详细描述了每个数据集和 Pipeline 的构建方法，并配有 ACL 论文链接。

六、行业意义与局限

IndicLLMSuite 的行业意义在于，它证明了构建高质量非英语大模型数据的路径是可行的——即使资源不如英语世界丰富，也可以通过"精细化方法论+人工审核+合成数据增强"的组合策略弥合差距。22种语言覆盖的广度，加上251B Token 的规模，让它成为目前最具代表性的多语言低资源LLM数据基础设施。

局限性同样值得正视：Setu Pipeline 依赖 Apache Spark，部署需要一定的大数据运维经验；两个 Portal 需要 Firebase 凭证，个人研究者自建可能遇到障碍；最重要的是，数据集许可证为 MIT，这意味着商业使用无法律限制，但 Sangraha 的原始数据来源网站的授权状态仍需使用者自行核实。

此外，项目最后更新于2024年10月，目前处于维护较少的阶段——这是学术开源项目的常见现象，后续更新可能有限。

七、快速上手建议

场景	推荐方案
直接使用数据集	从 HuggingFace 下载 Sangraha / IndicAlign，数据即开即用
部署数据清洗 Portal	使用项目提供的 Dockerfile，但需准备 Firebase 凭证
自建翻译 Pipeline	参考 Setu-translate，基于 IndicTrans2 模型搭建
研究数据质量评估	使用 Human Data Audit Portal 进行人工审计

IndicLLMSuite 代表了一个重要方向：未来大模型竞争的胜负手，或许不在模型本身，而在于谁有更强的数据生产能力。对于希望在印度语 NLP 领域深耕的研究者和开发者，这套工具链是目前最值得投入学习的完整解决方案。