Options

Accès JSON gratuit en lecture seule aux données en cache du site.

Mode sombre

Vue guidée
Nouveau dans l'univers des puces, des data centers et du jargon des modèles ? Nous expliquons les termes clés au fil de votre navigation, en langage clair. Les mêmes données, avec l'aide intégrée.

Vue expert
Vous connaissez déjà le sujet. Juste les données : claires, rapides et concises, sans explications superflues. Il s'agit de la vue par défaut.

Langue de l'interface

‹ Retour

Accueil › Jeux de données › C4

C4

Jeu de données Corpus web

Google's cleaned Common Crawl — the reproducible baseline.

Vous consultez une fiche dataset : une collection de données d'entraînement — ce qu'elle contient et quels modèles en ont appris.

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.

Comment cela s'articule avec le reste de la chaîne

Les liens de cette fiche en un coup d'œil — cliquez sur un groupe pour y accéder directement.

Connexes

Common Crawl

Sources

C4 (TensorFlow Datasets) ↗

Fiche examinée au 2026-01-15 — voir Méthodologie.

C4 ☆

Comment cela s'articule avec le reste de la chaîne

Connexes

Sources

C4