Optionen

Kostenloser, lesender JSON-Zugriff auf die zwischengespeicherten Daten der Website.

Dunkelmodus

Geführte Ansicht
Neu bei Chips, Rechenzentren und Modell-Fachbegriffen? Wir erklären wichtige Begriffe beim Stöbern in verständlicher Sprache. Dieselben Daten, mit integrierter Hilfe.

Expertenansicht
Sie kennen die Materie bereits. Nur die Daten: übersichtlich, schnell und kompakt, ohne zusätzliche Erklärungen. Das ist die Standardansicht.

Oberflächensprache

‹ Zurück

Startseite › Datensätze › C4

C4

Datensatz Web-Korpus

Google's cleaned Common Crawl — the reproducible baseline.

Sie sehen einen Datensatz-Eintrag: eine Trainingsdatensammlung — was sie enthält und welche Modelle daraus gelernt haben.

The Colossal Clean Crawled Corpus (2019, for T5) applied documented filters to Common Crawl and released the recipe, becoming the standard public pre-training baseline and the corpus of record for studying what models actually read.

So hängt das mit dem Rest des Stacks zusammen

Die Verknüpfungen dieses Datensatzes auf einen Blick – klicken Sie auf eine Gruppe, um dorthin zu springen.

Verwandt

Common Crawl

Quellen

C4 (TensorFlow Datasets) ↗

Datensatz geprüft am 2026-01-15 — Siehe Methodik.

C4 ☆

So hängt das mit dem Rest des Stacks zusammen

Verwandt

Quellen

C4