C4
Датасет
Веб-корпус
Google's cleaned Common Crawl — the reproducible baseline.
Перед вами запись о датасете — коллекции обучающих данных: что в неё входит и какие модели на ней обучались.
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.
Место в общей экосистеме
Ссылки этой записи с первого взгляда — нажмите на группу, чтобы перейти к ней.
Связанные
Источники
Запись актуальна на 2026-01-15 — смотреть Методология.