华盛顿大学 发布 TiC-CC 数据集, 应用在 自然语言处理、机器学习 领域

华盛顿大学 本次发布的数据集 TiC-CC, TiC-CC是一个基于Common Crawl构建的时间分层数据集，涵盖了从2013年5月至2024年7月的114个月份的数据，总token数达到了2.9T。数据集通过特定的预处理流程创建，旨在用于时间连续的语言模型预训练研究，支持对各种连续学习策略进行评估。该数据集的特点是规模大、时间长、数据来源多样，可以为研究机构提供在时间连续学习方面的丰富资源。

查看TiC-CC

关于 arXiv , arXiv 是一个免费分发服务和开放获取的学术文章档案库，涵盖了物理学、数学、计算机科学、定量生物学、定量金融、统计学、电气工程和系统科学以及经济学等领域。该网站上的材料并未经过 arXiv 的同行评审。