标签： Common Crawl

预训练语料

15 万亿 token 的网页语料怎么炼成？FineWeb 的清洗流水线拆解

FineWeb 是 Hugging Face 于 2024 …

2026-09-03

0

预训练语料

1.4 万亿 token 里炼出 1560 亿：C4 是怎么把网页「洗」成语料的

C4（Colossal Clean Crawled Corp…

2026-07-16

0