待验证50% 置信事实精确时间
Common Crawl是自2008年运行至今的非营利项目，截至2024年已累积超过2500亿个网页存档，数据以WARC格式存储在AWS S3上
1
来源数
50%
置信度
中期 (~90 天)
时效性
2026/8/21
首次发现
有效期至：2026/11/19
来源
相关事实
已验证Common Crawl自2008年起持续运行，其公开数据库已积累超过250亿个网页的原始抓取内容80% 相似已验证Common Crawl是一个非营利组织，自2008年起持续抓取互联网内容并免费开放数据集73% 相似待验证Common Crawl项目存储了超过2500亿网页的完整HTML快照，压缩后数据量达PB级别，是许多AI模型的主要训练数据来源之一70% 相似待验证整个互联网可抓取的公开网页数据（Common Crawl）约400TB68% 相似待验证Common Crawl是非营利组织运营的大规模网络爬取项目，每月抓取数十亿网页，数据集被用于训练包括GPT系列在内的大型语言模型67% 相似
引用此条事实
Stable URI
https://kongchang.com/claim/784206API
curl https://kongchang.com/api/v1/knowledge/claims/784206MCP
get_claim(id=784206)