橙子AI科技 Logo 橙子AI科技 需求咨询
菜单
数据集

Corpus-200B

WebOrganizer/Corpus-200B

查看上游原文 ↗
上游访问：公开 本站服务：可咨询 内容检查：AI 辅助整理并检查 许可证：上游卡片未声明 上游版本：7866846b0591

中文简介

WebOrganizer/Corpus-200B 是 WebOrganizer 在 Hugging Face 发布的数据集仓库，当前卡片主要关联上游卡片所列任务。本站固定记录上游版本 7866846b0591，同步到 99988 个文件，文件元数据合计 404.22 GB；访问状态为“公开”，许可证字段为“上游卡片未声明”。

UPSTREAM README

上游模型卡 / 数据集卡

在 Hugging Face 查看原文 ↗

【README 卡片中文译介】

以下内容依据上游仓库 WebOrganizer/Corpus-200B 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】
WebOrganizer/Corpus-200B 是 WebOrganizer 在 Hugging Face 发布的数据集仓库，当前卡片主要关联上游卡片所列任务。本站固定记录上游版本 7866846b0591，同步到 99988 个文件，文件元数据合计 404.22 GB；访问状态为“公开”，许可证字段为“上游卡片未声明”。

【适用方向】
适合在明确数据字段、拆分和许可证后，用于上游卡片所列任务相关的训练、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：7866846b0591。 任务标签：上游卡片所列任务。 语言字段：en。 规模分类：100B<n<1T。 上游页面记录的最近更新时间：2026-06-26。

【文件信息】
上游 API 返回 99988 个文件，文件元数据合计 404.22 GB。 已保存文件清单中的主要扩展名：.zst 99 个、无扩展名 1 个。 当前较大的文件包括：documents/CC_shard_00000068_processed.jsonl.zst（43.76 MB）；documents/CC_shard_00000043_processed.jsonl.zst（42.82 MB）；documents/CC_shard_00000062_processed.jsonl.zst（42.27 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 404.22 GB。仅按下载、解压和临时文件估算，建议至少预留约 485.06 GB 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】
上游卡片没有提供明确许可证字段，下载、训练、商用或再分发前必须打开原始仓库确认授权条件。 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。

已有简体中文译文 · Codex 基于固定版本 README 与上游元数据生成中文结构化译介 · 2026-07-26 00:51

WebOrganizer/Corpus-200B [Paper] [Website] [GitHub] This dataset is a pre-processed version of the `1b-1x` CommonCrawl pool from DataComps-LM cleaned with (1) RefinedWeb filters and (2) BFF deduplication. We provide the resulting 200B token corpus annotated with two quality scores, WebOrganizer domains, and k-means scores. __Download the dataset by cloning the repository with Git LFS instead of HuggingFace's `load_dataset()`.__ The dataset has the following folder structure: We also include statistics about the presence and co-occurence of domains in the `domain_statistics/` folder, computed with the `domain_statistics.py` script. Citation If you make use of this pre-processed corpus in your work, please cite:

公开页仅展示原文摘录；完整模型卡或数据集卡请前往上游仓库查看。

适用场景

适合在明确数据字段、拆分和许可证后，用于上游卡片所列任务相关的训练、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：7866846b0591。 任务标签：上游卡片所列任务。 语言字段：en。 规模分类：100B<n<1T。 上游页面记录的最近更新时间：2026-06-26。

文件说明

上游 API 返回 99988 个文件，文件元数据合计 404.22 GB。 已保存文件清单中的主要扩展名：.zst 99 个、无扩展名 1 个。 当前较大的文件包括：documents/CC_shard_00000068_processed.jsonl.zst（43.76 MB）；documents/CC_shard_00000043_processed.jsonl.zst（42.82 MB）；documents/CC_shard_00000062_processed.jsonl.zst（42.27 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

以下仅为 Hugging Face 官方 API 返回的文件名与大小元数据，官网没有下载或托管这些文件。

  • .gitattributes2.40 KB
  • documents/CC_shard_00000000_processed.jsonl.zst23.69 MB
  • documents/CC_shard_00000001_processed.jsonl.zst21.91 MB
  • documents/CC_shard_00000002_processed.jsonl.zst19.62 MB
  • documents/CC_shard_00000003_processed.jsonl.zst28.96 MB
  • documents/CC_shard_00000004_processed.jsonl.zst32.34 MB
  • documents/CC_shard_00000005_processed.jsonl.zst28.15 MB
  • documents/CC_shard_00000006_processed.jsonl.zst18.09 MB
  • documents/CC_shard_00000007_processed.jsonl.zst30.83 MB
  • documents/CC_shard_00000008_processed.jsonl.zst24.67 MB
  • documents/CC_shard_00000009_processed.jsonl.zst23.61 MB
  • documents/CC_shard_00000010_processed.jsonl.zst25.73 MB

文件较多，本页只展示前 12 项；完整信息以上游仓库为准。

硬件建议

仓库文件元数据合计 404.22 GB。仅按下载、解压和临时文件估算，建议至少预留约 485.06 GB 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

上游卡片没有提供明确许可证字段，下载、训练、商用或再分发前必须打开原始仓库确认授权条件。 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。

第三方资源声明

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。