C4
数据集
网络语料库
Google's cleaned Common Crawl — the reproducible baseline.
您正在查看一条数据集记录：一个训练数据集合——其中包含什么，以及哪些模型从中学习。
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.
它如何与整个技术栈相连
本记录的关联链接一览——点击分组可直接跳转。
相关
来源
记录审阅截至 2026-01-15 — 查看 方法论.