★
القائمة
الرئيسية كيف يُبنى قائمة المراقبة المنظومة
الأجهزة الشرائحمقارنة الرقائق الخوادم والأنظمةالشبكات الذاكرةالمصانع والتغليف التبريد
المنشآت مراكز البياناتالطاقة المشاريعالحوسبة السحابية وحوسبة GPU
الذكاء نماذج الذكاء الاصطناعيالبرمجيات منتجات الذكاء الاصطناعيمعايير الأداء أوراق بحثيةمجموعات البيانات المفاهيم
النظام البيئي الشركاتالأسهم الأشخاصالجدول الزمني الاتجاهاتمستقبل الذكاء الاصطناعي
تعلّم الأخبار استفسر عن البيانات وكلاء الذكاء الاصطناعي
حول من نحن المنهجية البيانات وواجهة API إخلاء المسؤولية
الخيارات
البيانات وواجهة API

وصول مجاني للقراءة فقط بصيغة JSON إلى البيانات المخزّنة مؤقتاً في الموقع.

الوضع الداكن

العرض الإرشادي
هل مصطلحات الرقائق ومراكز البيانات والنماذج جديدة عليك؟ نشرح المصطلحات الرئيسية أثناء تصفحك بلغة واضحة ومبسطة. البيانات نفسها، مع الشرح مدمجاً فيها.

عرض الخبراء
أنت تعرف المنظومة بالفعل. البيانات فقط: نظيفة وسريعة ومدمجة، دون شروح إضافية. هذا هو العرض الافتراضي.

لغة الواجهة
‹ رجوع

Common Crawl

مجموعة البيانات مجموعة بيانات الويب

The nonprofit web archive nearly every LLM ate first.

أنت تطّلع على سجل مجموعة بيانات: مجموعة بيانات تدريب — ما الذي تحتويه والنماذج التي تعلّمت منها.

Common Crawl has archived the open web monthly since 2008 — petabytes of pages that, filtered and deduplicated, form the backbone of most pre-training corpora (GPT-3's largest component; ancestor of C4, RefinedWeb, FineWeb). A tiny nonprofit's crawler quietly became the most economically consequential dataset on Earth — and the center of the consent-and-copyright fight.

كيف يرتبط هذا ببقية المنظومة

روابط هذا السجل في لمحة — انقر على أي مجموعة للانتقال إليها.

مُستخدَم لتدريب

المصادر

Common Crawl ↗

السجل مراجَع بتاريخ 2026-01-15 — عرض المنهجية.