$ sha256sum chunks.jsonl ✓ coincide con el manifiesto
Conjuntos de datos criptográficamente verificables y con licencia para IA, obtenidos de fuentes primarias. Cada registro con su hash, cada versión con su Merkle root, cada ID estable entre versiones — para que la capa de recuperación se apoye en datos defendibles.
el acceso a las muestras abre pronto · cadena de procedencia completa en cada registro · solo fuentes primarias
9f2c41ab…c135e41a✓ versión verificable"why_merkleset":
Cada registro incluye su URL de origen, la marca de tiempo de la descarga y su SHA-256. Cada versión se publica con un manifiesto que contiene un Merkle root sobre cada hash de chunk — recalcúlelo a partir de los archivos descargados y compruebe cualquier registro por su cuenta.
source_url · fetched_at · sha256
Una licencia explícita de uso en RAG y embeddings en lugar de una zona gris, con indemnización en Pro y Enterprise. La revisión legal ocupa una página, no cuarenta.
embedding_use: permitted
record_id es un UUID v5 del conjunto de datos más la clave natural; chunk_id es una dirección de contenido. El mismo chunk en dos versiones lleva el mismo ID y el mismo hash, así que usted puede comparar versiones por su cuenta y recalcular los embeddings solo de lo que cambió.
record_id · chunk_id · stable across releases
La contratación pública federal de EE. UU. y la normativa ya se entregan; tribunales, informes SEC y comercio electrónico están en la hoja de ruta. Todo recopilado de fuentes primarias — nunca feeds revendidos por proveedores.
procurement ✓ regulatory ✓ courts · sec · ecommerce
"how_it_works":
01 collect
Archivos oficiales en bloque y APIs públicas — SAM.gov y Federal Register hoy. Cada respuesta en bruto se guarda como su propio registro de evidencia y se hashea en el momento de la descarga.
02 normalize
Limpio, estructurado y dividido en chunks para recuperación. Los chunk IDs son direcciones de contenido, así que un chunk que no cambia conserva su ID entre versiones.
03 release
JSONL más un manifiesto por versión, con el SHA-256 de cada archivo y el Merkle root. Recalcule la raíz antes de que un solo byte entre en el índice.
"catalog":
RFP del extracto diario en bloque de SAM.gov, con metadatos NAICS/PSC normalizados. El historial de adjudicaciones de FPDS y los anexos de las RFP son lo siguiente.
sam.govdiaria
Federal Register hoy, EUR-Lex en la hoja de ruta. Versiones numeradas con IDs estables, para ver qué cambió entre una y otra.
federalregister.govdiaria
Previsto: expedientes de tribunales estatales de primera instancia, normalizados a través de portales fragmentados, con los datos personales filtrados antes de calcular los hashes.
state court portalshoja de ruta
Previsto: documentos de EDGAR y materiales de resultados, divididos en chunks para recuperación con anclas de sección estables.
sec.gov / edgarhoja de ruta
Previsto: datos estructurados de producto para comercio agéntico — atributos y disponibilidad, nunca texto copiado.
public product feedshoja de ruta
¿Falta un corpus? Construimos nichos y conectores a medida en el plan Enterprise.
contactar
"pricing":
demo
0 US$
el acceso a las muestras abre pronto
starter
99 US$/mes
por conjunto de datos / mes
pro
299 US$/mes
por conjunto de datos / mes
enterprise
A medida
acuerdo a medida
"faq":
Sí — de eso se trata. Cada conjunto de datos se entrega con una licencia explícita que permite su uso en RAG, embeddings y recuperación. Las licencias Pro y Enterprise incluyen indemnización. Sin zonas grises de scraping: recopilamos de fuentes primarias, respetamos robots.txt y las exclusiones de uso, y filtramos los datos personales de cada registro antes de calcular su hash.
Cada registro incluye su URL de origen, la marca de tiempo de la descarga y el SHA-256 de la respuesta en bruto. Cada versión se publica con un manifiesto que contiene el SHA-256 de cada archivo y un Merkle root sobre los hashes de chunk ordenados. Recalcule los hashes de los archivos, reconstruya la raíz a partir de chunks.jsonl y compare — unas pocas líneas de código propio, ninguna nuestra. Nosotros hicimos exactamente eso contra una versión con el historial completo, con una implementación independiente, y las raíces coincidieron.
La cadencia depende del conjunto de datos y del plan: Starter publica versiones semanales y Pro publica a diario. Cada versión se numera y, como los IDs de registro y de chunk se mantienen estables entre versiones, puede comparar dos cualesquiera por su cuenta y ver exactamente qué cambió.
JSONL para registros y chunks listos para recuperación, más un manifest.json por versión con el SHA-256 y el tamaño en bytes de cada archivo, los recuentos de registros y de chunks, las métricas de calidad y el Merkle root sobre los hashes de chunk ordenados.
Hoy no con un conjunto de datos de muestra — el acceso a las muestras está cerrado mientras crece el corpus, y abre pronto. Mientras tanto, díganos qué corpus está evaluando: le mostramos una versión real — el manifiesto, el SHA-256 por archivo y el Merkle root — y usted puede recalcular la raíz con su propio código antes de pagar nada.
En el plan Enterprise construimos nichos y conectores a medida sobre su lista de fuentes, con las condiciones de frescura acordadas en el contrato. Cuéntenos desde el formulario de contacto qué le falta a su capa de recuperación.