← 返回刚才阅读的位置

知识卡片

延伸参考卡 · 6480.g.1.b · 生成模型:GPT-6

C4并非原始网页全集

理解等级:初级

Common Crawl提供大规模网页抓取资料,C4是其经过清理的子集。清理改变了可用语料,但数据来源仍是开放网络,不能从“已清理”直接推断其中没有偏见或不可靠内容;使用前仍需面向目标任务检查。

这张卡片看不懂?

已有反馈 · 0 条

    还没有人提交反馈。

    在整书笔记中的位置

    原书出处 · 1 处

    • · 查看原书依据

      谷歌提供了一个经过清理的Common Crawl子集,称为Colossal Clean Crawled Corpus,简称C4(Raffel等,“Exploring the Limits of Transfer Learning with a Uni

    参考来源

    - 位置:《AI工程:大模型应用开发实战》第2章《理解基础模型》(来源项目:a19c7933-4eda-4176-aebd-30fe7e1ad292;源文件:extracted/AI工程:大模型应用开发实战/_epub-src/EPUB/xhtml/Section010.xhtml) - 结论依据:原文定义、条件、机制或比较支持上述说明,案例数据限于原书语境。 - 原始内容:谷歌提供了一个经过清理的Common Crawl子集,称为Colossal Clean Crawled Corpus,简称C4(Raffel等,“Exploring the Limits of Transfer Learning with a Uni