RT @stomohide: cc100とmC4のそれぞれ日本語だけだと、ページ数はほぼ同じ(6600万ページ vs 8700万ページ)だが、文字数で数えると、mC4の方が10倍強大きく(253億文字 vs 3,500億文字)、今使えるWebコーパスとしてmC4は圧倒的に大きい。
ただ、mC4は英語や中国語、Javascriptのコードなどがところどころ含まれている。