CLUECorpus2020
收藏OpenDataLab2026-05-17 更新2024-05-09 收录
下载链接：
https://opendatalab.org.cn/OpenDataLab/CLUECorpus2020
下载链接
链接失效反馈官方服务：
资源简介：
By cleaning the Chinese part of Common Crawl, 100GB of high-quality Chinese pre-training corpus was finally obtained.
通过对通用爬虫（Common Crawl）中的中文部分进行清洗处理，最终获得了100GB的高质量中文预训练语料库。
提供机构：
OpenDataLab
创建时间：
2024-04-30
搜集汇总
数据集介绍
背景与挑战
背景概述
CLUECorpus2020是一个大规模中文预训练语料库，通过清理Common Crawl的中文部分获得，包含100GB高质量文本数据。该数据集专为预训练语言模型设计，由CLUE机构于2020年发布，旨在支持中文自然语言处理任务。
以上内容由遇见数据集搜集并总结生成
