CC100
收藏arXiv2025-09-30 收录
下载链接：
http://data.statmt.org/cc-100/
下载链接
链接失效反馈官方服务：
资源简介：
该数据集名为CC100语料库，涵盖了116种语言的母语数据，其中包括5种罗马化语言。此外，该数据集被用于训练ERNIE-M Extra模型，任务是对多语言语言模型进行预训练。
The dataset is named the CC100 Corpus, which contains native-language data spanning 116 distinct languages, including 5 romanized languages. Moreover, this corpus is utilized to train the ERNIE-M Extra model for the pre-training of multilingual language models.
