C4 Corpus - Common Crawl

kaggle2024-12-13 更新2025-01-04 收录

下载链接：

https://www.kaggle.com/datasets/almirneto/corpus-c4

下载链接

链接失效反馈

官方服务：

资源简介：

This is a subset of allenai/c4 dataset

此数据集为 allenai/c4 数据集的子集。

创建时间：

2024-12-13

C4 (Colossal Clean Crawled Corpus)

C4 是 Common Crawl 的网络爬虫语料库的一个巨大的、干净的版本。它基于 Common Crawl 数据集：https://commoncrawl.org。它用于训练 T5 文本到文本的 Transformer 模型。可以从 allennlp 以预处理的形式下载数据集。

OpenDataLab2026-07-12 更新8030

C4 Corpus

A large-scale text-to-text task

DataCite Commons2025-01-03 更新80

MODALITY corpus - SPEAKER 33 - COMMANDS C4

The MODALITY corpus is one of the multimodal database of word recordings in English. It consists of over 30 hours of multimodal recordings. The database contains high-resolution, high-framerate stereo

Mendeley Data2024-01-31 更新50

C4 (Colossal Clean Crawled Corpus)

OpenXLab30

MODALITY corpus - SPEAKER 35 - COMMANDS C4

DataCite Commons2026-04-16 更新50