French Premium Web Corpus — Finance, Regulation & Economic Edition

The French Premium Web Corpus (FPWC) is the only commercial-grade training corpus dedicated to French-language finance, prudential regulation, and economic text. Release **fpwc-v1.2.0-2026-05-15** contains 2,148,446 documents totalling approximately 2.37 billion tokens, sourced exclusively from European Union public-sector primary records under permissive open licences (Licence Ouverte 2.0 and EU Decision 2011/833).

## What this Limited Trial contains

- 50,000 high-quality documents stratified across all 11 sources, preserving the exact proportions of the Premium tier
- 14 columns: id, source, url, text, n_chars, n_tokens_est, lang, extracted_at, quality_score, quality_tier, is_finance_topical, sub_vertical, llm_score_composite, llm_tier
- Single secure view: `V_DOCUMENTS` — queryable in-place, no download required
- 7-day evaluation window per consumer account

## Sources

- **DILA** — Légifrance JORF (Journal officiel), LEGI (consolidated codes), CASS (Cour de cassation), JADE (Conseil d'État), CONSTIT (Conseil constitutionnel), KALI (National Collective Agreements)
- **EUR-Lex** — EU regulations and directives in French (EU public legislation, CC-BY-4.0)
- **DGFiP** — BOFiP-Impôts tax doctrine
- **ACPR** — Prudential regulator doctrine and sanctions
- **Banque de France** — Institutional publications
- **DG Trésor** — Treasury publications

## Provenance & compliance

Every document in the full FPWC ships with a per-record JSON-LD provenance trail using W3C PROV-O vocabulary, plus an EU AI Act Article 10 declaration block. The full corpus is accompanied by a 38-page Dataset Specification Document, cryptographically signed (PAdES PKCS#7 RSA-4096).

- Pipeline content SHA-256: `9071408943537d14e99381c3265a14cce43eeb077942b53ea38344406eb5d98d`
- Licences: Licence Ouverte 2.0 (Etalab), EU Decision 2011/833/EU
- Refresh: monthly regulatory delta, quarterly full rebuild
- GDPR Art. 17 retraction: rehearsed 4-minute identification + 30-minute re-release
- Audit trail: 1,038,519 per-document JSON-LD records using W3C PROV-O

## Production tiers

This Limited Trial offers a 7-day evaluation of 50,000 stratified documents. Production-scale tiers — full corpus, monthly refresh, quality filtering (distilled score), sub-vertical slicing, and private replication — will be available as separate paid listings on the Snowflake Marketplace.

## Data scale

- Limited Trial: 50,000 rows · ~50M tokens · ~73 MB (Parquet zstd) — 7-day access
- Full Standard: 2,148,446 rows · ~2.37B tokens · ~9.5 GB (Parquet zstd)

原始信息汇总

数据集名称

French Premium Web Corpus — Finance, Regulation & Economic Edition

提供者

FINALEADS LLC

定价与访问

• 免费：有限试用版（Limited Trial）
• 无限访问：需获取完整版（预计为付费）

数据集简介

本数据集是一个专为法语金融、审慎监管和经济文本设计的商业级训练语料库。版本 fpwc-v1.2.0-2026-05-15 包含约 2,148,446 篇文档，总计约 23.7 亿 tokens，数据来源均为欧盟公共部门一级记录，基于许可宽松的开放许可（Licence Ouverte 2.0 和 EU Decision 2011/833）。

有限试用版（Limited Trial）内容

• 包含 50,000 篇高质量文档，按比例分层抽样自完整版的11个数据源。
• 提供 14 个列：id, source, url, text, n_chars, n_tokens_est, lang, extracted_at, quality_score, quality_tier, is_finance_topical, sub_vertical, llm_score_composite, llm_tier。
• 数据通过单一安全视图 V_DOCUMENTS 提供，无需下载，可在原地查询。
• 每个消费者账户享有 7 天评估窗口。

数据源

• DILA：涵盖 Légifrance JORF（官方公报）、LEGI（统一法典）、CASS（最高法院）、JADE（最高行政法院）、CONSTIT（宪法委员会）、KALI（全国集体协议）。
• EUR-Lex：法语版欧盟法规和指令（CC-BY-4.0）。
• DGFiP：BOFiP-Impôts 税务原则。
• ACPR：审慎监管机构的原则和制裁。
• Banque de France：机构出版物。
• DG Trésor：国库出版物。

溯源与合规

• 每篇文档均附带使用 W3C PROV-O 词汇表的 JSON-LD 溯源记录，以及欧盟 AI 法案第 10 条声明块。
• 完整语料库附带一份 38 页的数据集规范文档，并经过加密签名（PAdES PKCS#7 RSA-4096）。
• 流水线内容 SHA-256：9071408943537d14e99381c3265a14cce43eeb077942b53ea38344406eb5d98d
• 许可协议：Licence Ouverte 2.0 (Etalab)、EU Decision 2011/833/EU
• 更新频率：月度监管增量更新，季度全面重建。
• GDPR 第 17 条撤回：可在 4 分钟内完成识别，30 分钟内重新发布。
• 审计追踪：1,038,519 条基于 W3C PROV-O 的每文档 JSON-LD 记录。

数据规模

• 有限试用版：50,000 行 · 约 5000 万 tokens · 约 73 MB（Parquet zstd 压缩）—— 7 天访问
• 完整标准版：2,148,446 行 · 约 23.7 亿 tokens · 约 9.5 GB（Parquet zstd 压缩）

业务需求

• 机器学习：高质量的法语文本，覆盖监管法典、税务原则和判例法，经过预清洗和评分，可直接用于 LLM 训练，并附带 AI 法案第 10 条文档。
• 真实世界数据：来自 DILA、EUR-Lex、ACPR、AMF、BdF、DGFiP、DGTrésor 的权威源文本，是市场上最广泛的商业法语金融语料库。
• 合规：每文档的 JSON-LD 溯源和 AI 法案第 10 条声明，使下游 AI 系统从第一天起就能满足数据治理义务。
• 风险管理：涵盖 ACPR 制裁、AML/Tracfin 义务、MiFID II、DORA、CSRD 等源文本，适用于训练风险分类和决策支持型 LLM。
• 法律研究：完整的最高法院、最高行政法院和宪法委员会判例库，可在 Snowflake 内部直接搜索。

数据字典

视图名称：V_DOCUMENTS

字段名	类型	描述
EXTRACTED_AT	Timestamp_TZ	提取时间
ID	Varchar	文档 ID
IS_FINANCE_TOPICAL	Boolean	是否属于金融主题
LANG	Varchar	语言
LLM_SCORE_COMPOSITE	Float	LLM 综合评分
LLM_TIER	Varchar	LLM 层级
N_CHARS	Number	字符数
N_TOKENS_EST	Number	估计的 token 数
QUALITY_SCORE	Float	质量评分
QUALITY_TIER	Varchar	质量层级

类别

Financial, Machine Learning, Real World Data (RWD)

交付方式

Secure share（安全共享）

刷新频率

Quarterly（季度）

法律条款

Custom（自定义）

联系方式

• 销售与支持：[e-mail]

关于提供方

FINALEADS LLC 为法语受监管行业构建合规就绪的训练数据集，将超过 20 亿 tokens 的法语金融、监管和经济开放数据转化为附带审计追踪、伪匿名化和 AI 法案第 10 条文档的安全共享数据。