book.json
Métadonnées et structure analysée : chapitres, sections, figures, notes de bas de page.
Données livresques pour le pré-entraînement
Des données livresques pour le pré-entraînement de LLM.
Des livres papier océrisés et structurés en bundles prêts pour le pré-entraînement. Des tokens inédits — un texte qui n'est jamais entré dans aucun corpus numérique, pas les données que tous les modèles ont déjà vues.
Pourquoi des données livresques
Le web ouvert est épuisé et dédupliqué jusqu'à saturation. Le token marginal qui fait encore progresser un modèle est celui qu'il n'a jamais vu.
La prose longue, éditée et rédigée par des professionnels est la source la plus dense qui soit — et la partie encore prisonnière du papier est celle qu'aucun crawler n'a jamais atteinte. C'est exactement ce que nous fournissons : des livres que nous possédons physiquement, convertis en texte propre et structuré, vérifiables titre par titre dans notre inventaire.
Ce que vous recevez
Chaque livre est un bundle autonome — exploitable de bout en bout, au format constant d'un titre à l'autre.
pages.jsonl
Texte par page, avec score de qualité et langue détectée page par page.
Images de couverture
Première, quatrième, dos et rabats intérieurs, le cas échéant.
Volume & format
- 1 000+ livres par jour au débit cible
- JSON + JSONL, la même structure pour chaque titre — s'intègre à un pipeline de pré-entraînement sans traitement spécifique
- Toute langue ou système d'écriture ; les scores de qualité par page accompagnent le texte
Plus d'informations sur la traçabilité et les licences dans provenance & licences, et sur la couverture non-anglophone dans le corpus multilingue.
Découvrez ce qui est inédit pour votre corpus
Envoyez-nous une taille d'échantillon et nous vous retournons une liste d'EAN à dédoublonner avec votre propre corpus.
Vérifier le chevauchement