C4
Dataset
Web Corpus
Google's cleaned Common Crawl — the reproducible baseline.
Stai visualizzando un record di dataset: una raccolta di dati di addestramento — cosa contiene e quali modelli l'hanno utilizzata.
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.
Come si collega al resto dello stack
I collegamenti di questa scheda a colpo d'occhio — clicca un gruppo per raggiungerlo.
Correlati
Fonti
Record revisionato al 2026-01-15 — vedi Metodologia.