C4Corpus (CC BY-ND part)

B2FIND2026-04-25 收录

语言模型预训练

多语言文本

数据链接：

https://b2find.eudat.eu/dataset/a955917a-92a9-5922-b653-1f95ae74a261 数据链接链接失效反馈

官方服务：

资源简介：

A large web corpus (over 10 billion tokens) licensed under CreativeCommons license family in 50+ languages that has been extracted from CommonCrawl, the largest publicly...

一款大型多语言网页语料库，包含超100亿个Token，采用知识共享（CreativeCommons）许可协议家族进行授权，涵盖50余种语言，数据提取自当前规模最大的公开通用网页爬虫语料库（CommonCrawl）

C4Corpus (CC BY-ND part)

资源简介：

相关数据集