Beranda › Kumpulan-Kumpulan Data › C4
C4
Kumpulan Data
Korpus Web
Google's cleaned Common Crawl — the reproducible baseline.
Anda sedang melihat entri dataset: kumpulan data pelatihan — apa isinya dan model mana yang belajar darinya.
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.
Bagaimana ini terhubung ke bagian lain dari stack
Tautan catatan ini sekilas — klik grup untuk langsung menuju ke sana.
Terkait
Sumber
Rekaman ditinjau per 2026-01-15 — lihat Metodologi.