中文简介
allenai/c4 是 allenai 在 Hugging Face 发布的数据集仓库，当前卡片主要关联文本生成与推理。本站固定记录上游版本 1588ec454efa，同步到 69221 个文件，文件元数据合计 30.06 TB；访问状态为“公开”，许可证字段为“odc-by”。
上游模型卡 / 数据集卡
【README 卡片中文译介】
以下内容依据上游仓库 allenai/c4 的固定版本 README、卡片字段和文件元数据进行中文结构化整理。它保留便于选型的关键信息，完整技术细节、代码示例和许可文本请同时查看上游原文。
【资源概览】
allenai/c4 是 allenai 在 Hugging Face 发布的数据集仓库，当前卡片主要关联文本生成与推理。本站固定记录上游版本 1588ec454efa，同步到 69221 个文件，文件元数据合计 30.06 TB；访问状态为“公开”，许可证字段为“odc-by”。
【适用方向】
适合在明确数据字段、拆分和许可证后，用于文本生成与推理相关的训练、评测或研究。 正式使用前应先抽样检查字段、语言、重复项、敏感信息和训练/测试划分，避免只依据仓库名称判断数据质量。
【版本与规格】
固定版本：1588ec454efa。 任务标签：文本生成与推理。 语言字段：af, am, ar, az, be, bg, bn, ca, ceb, co, cs, cy, da, de, el, en, eo, es, et, eu, fa, fi, fil, fr, fy, ga, gd, gl, gu, ha, haw, he, hi, hmn, ht, hu, hy, id, ig, is, it, iw, ja, jv, ka, kk, km, kn, ko, ku, ky, la, lb, lo, lt, lv, mg, mi, mk, ml, mn, mr, ms, mt, my, ne, nl, no, ny, pa, pl, ps, pt, ro, 。 数据集卡名称：C4。 规模分类：n<1K, 1K<n<10K, 10K<n<100K, 100K<n<1M, 1M<n<10M, 10M<n<100M, 100M<n<1B, 1B<n<10B。 上游页面记录的最近更新时间：2024-01-09。
【文件信息】
上游 API 返回 69221 个文件，文件元数据合计 30.06 TB。 已保存文件清单中的主要扩展名：.gz 99 个、无扩展名 1 个。 当前较大的文件包括：en.noblocklist/c4-train.00079-of-01024.json.gz（381.18 MB）；en.noblocklist/c4-train.00053-of-01024.json.gz（381.10 MB）；en.noblocklist/c4-train.00096-of-01024.json.gz（381.02 MB）。 仓库文件较多，本站仅保存前 100 条文件元数据；完整清单请查看上游仓库。
【运行或处理环境】
仓库文件元数据合计 30.06 TB。仅按下载、解压和临时文件估算，建议至少预留约 36.08 TB 可用磁盘；实际需求还取决于压缩率、缓存、数据转换和训练副本，正式处理前应以完整文件清单重新测算。
【使用边界】
许可证显示为“odc-by”，具体用途限制、附加政策和归属要求仍以上游原文为准。 数据集还需核对样本来源、隐私与个人信息、标签质量、地域偏差及下游模型的合规要求。
C4 Dataset Description **Paper:** https://arxiv.org/abs/1910.10683 Dataset Summary A colossal, cleaned version of Common Crawl's web crawl corpus. Based on Common Crawl dataset: "https://commoncrawl.org". This is the processed version of Google's C4 dataset We prepared five variants of the data: `en`, `en.noclean`, `en.noblocklist`, `realnewslike`, and `multilingual` (mC4). For reference, these are the sizes of the variants: `en`: 305GB `en.noclean`: 2.3TB `en.noblocklist`: 380GB `realnewslike`: 15GB `multilingual` (mC4): 9.7TB (108 subsets, one per language) The `en.noblocklist` variant is exactly the same as the `en` variant, except we turned off the so-called "badwords filter", which removes all documents that contain words from the lists at https://github.com/LDNOOBW/List-of-Dirty-Naughty-Obscene-and-Otherwise-Bad-Words. How do I download this? Using 🤗 Datasets Since this dataset is big, it is encouraged to load it in streaming mode using `streaming=True`, for example: You can also load and mix multiple languages: Using Dask Using Git This will download 13TB to your local drive. If you want to be more precise with what you are downloading, follow these commands instead: The `git clone` command in this variant will download a bunch of stub files that Git LFS uses, so you can see all the filenames that exist that way. You can then convert the stubs into their real files with `git lfs pull --include "..."`. For example, if you wanted all the Dutch documents from the multilingual set, you would run Supported Tasks and Leaderboards C4 and mC4 are mainly intended to pretrain language models and word representations. Languages The `en`, `en.noclean`, `en.noblocklist` and `realnewslike` variants are in English. The other 108 languages are available and are reported in the table below. Note that the languages that end with "-Latn" are simply romanized variants, i.e. written using the Latin script. | language code | language name | |:----------------|:--------------------
适用场景
适合在明确数据字段、拆分和许可证后，用于文本生成与推理相关的训练、评测或研究。 正式使用前应先抽样检查字段、语言、重复项、敏感信息和训练/测试划分，避免只依据仓库名称判断数据质量。
规模与格式
固定版本：1588ec454efa。 任务标签：文本生成与推理。 语言字段：af, am, ar, az, be, bg, bn, ca, ceb, co, cs, cy, da, de, el, en, eo, es, et, eu, fa, fi, fil, fr, fy, ga, gd, gl, gu, ha, haw, he, hi, hmn, ht, hu, hy, id, ig, is, it, iw, ja, jv, ka, kk, km, kn, ko, ku, ky, la, lb, lo, lt, lv, mg, mi, mk, ml, mn, mr, ms, mt, my, ne, nl, no, ny, pa, pl, ps, pt, ro, 。 数据集卡名称：C4。 规模分类：n<1K, 1K<n<10K, 10K<n<100K, 100K<n<1M, 1M<n<10M, 10M<n<100M, 100M<n<1B, 1B<n<10B。 上游页面记录的最近更新时间：2024-01-09。
文件说明
上游 API 返回 69221 个文件，文件元数据合计 30.06 TB。 已保存文件清单中的主要扩展名：.gz 99 个、无扩展名 1 个。 当前较大的文件包括：en.noblocklist/c4-train.00079-of-01024.json.gz（381.18 MB）；en.noblocklist/c4-train.00053-of-01024.json.gz（381.10 MB）；en.noblocklist/c4-train.00096-of-01024.json.gz（381.02 MB）。 仓库文件较多，本站仅保存前 100 条文件元数据；完整清单请查看上游仓库。
上游文件元数据
.gitattributes773 Ben.noblocklist/c4-train.00000-of-01024.json.gz378.35 MBen.noblocklist/c4-train.00001-of-01024.json.gz377.36 MBen.noblocklist/c4-train.00002-of-01024.json.gz379.34 MBen.noblocklist/c4-train.00003-of-01024.json.gz376.99 MBen.noblocklist/c4-train.00004-of-01024.json.gz377.92 MBen.noblocklist/c4-train.00005-of-01024.json.gz378.26 MBen.noblocklist/c4-train.00006-of-01024.json.gz377.05 MBen.noblocklist/c4-train.00007-of-01024.json.gz378.06 MBen.noblocklist/c4-train.00008-of-01024.json.gz376.73 MBen.noblocklist/c4-train.00009-of-01024.json.gz379.81 MBen.noblocklist/c4-train.00010-of-01024.json.gz379.40 MB
硬件建议
仓库文件元数据合计 30.06 TB。仅按下载、解压和临时文件估算，建议至少预留约 36.08 TB 可用磁盘；实际需求还取决于压缩率、缓存、数据转换和训练副本，正式处理前应以完整文件清单重新测算。
注意事项
许可证显示为“odc-by”，具体用途限制、附加政策和归属要求仍以上游原文为准。 数据集还需核对样本来源、隐私与个人信息、标签质量、地域偏差及下游模型的合规要求。
获取、校验与交付
咨询此资源时只需发送本页链接或资源准确全称。橙子AI科技会继续核对版本、文件与类型、README资料卡、许可证和访问条件，并在合法访问权限、许可证及平台规则允许的前提下，协助海内外下载、完整性校验及网盘或硬盘交付；本官网本身不托管或下载资源文件。
本页面为橙子AI科技基于固定版本上游卡片整理的中文信息与服务说明，不代表资源作者或平台官方页面。实际许可、访问和使用条件以上游原文为准。