C4
Dataset
Webcorpus
Google's cleaned Common Crawl — the reproducible baseline.
U bekijkt een dataset-record: een verzameling trainingsdata — wat erin zit en welke modellen ermee zijn getraind.
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.
Hoe dit aansluit op de rest van de stack
De koppelingen van dit record in één oogopslag — klik op een groep om er naartoe te springen.
Gerelateerd
Bronnen
Record beoordeeld per 2026-01-15 — bekijk Methodologie.