$ sha256sum chunks.jsonl ✓ correspond au manifeste
Des jeux de données vérifiables cryptographiquement et licenciés pour l'IA, collectés depuis les sources primaires. Chaque enregistrement haché, chaque version dotée de son Merkle root, chaque ID stable d'une version à l'autre — pour que votre couche de recherche repose sur des données défendables.
l'accès aux échantillons ouvre bientôt · chaîne de provenance complète sur chaque enregistrement · sources primaires uniquement
9f2c41ab…c135e41a✓ version vérifiable"why_merkleset":
Chaque enregistrement porte son URL source, l'horodatage de collecte et son SHA-256. Chaque version est publiée avec un manifeste contenant un Merkle root sur chaque hash de chunk — recalculez-le depuis les fichiers que vous avez téléchargés et vérifiez vous-même n'importe quel enregistrement.
source_url · fetched_at · sha256
Une licence explicite d'usage RAG et embeddings plutôt qu'une zone grise, avec indemnisation sur Pro et Enterprise. Votre revue juridique tient sur une page, pas sur quarante.
embedding_use: permitted
record_id est un UUID v5 du jeu de données et de la clé naturelle ; chunk_id est une adresse de contenu. Le même chunk dans deux versions porte le même ID et le même hash : vous pouvez donc comparer vous-même deux versions et ne recalculer les embeddings que de ce qui a changé.
record_id · chunk_id · stable across releases
Les marchés publics fédéraux américains et le réglementaire sont livrés aujourd'hui ; tribunaux, dépôts SEC et e-commerce sont sur la feuille de route. Tout est collecté depuis les sources primaires — jamais des flux revendus par des tiers.
procurement ✓ regulatory ✓ courts · sec · ecommerce
"how_it_works":
01 collect
Fichiers officiels en masse et APIs publiques — SAM.gov et le Federal Register aujourd'hui. Chaque réponse brute est conservée comme son propre enregistrement de preuve et hachée au moment de la collecte.
02 normalize
Nettoyé, structuré, découpé pour la recherche. Les chunk IDs sont des adresses de contenu : un chunk inchangé garde son ID d'une version à l'autre.
03 release
Du JSONL et un manifeste par version, portant le SHA-256 de chaque fichier et le Merkle root. Recalculez la racine avant qu'un seul octet n'entre dans votre index.
"catalog":
Appels d'offres issus de l'extraction quotidienne en masse de SAM.gov, avec des métadonnées NAICS/PSC normalisées. L'historique d'attribution depuis FPDS et les pièces jointes des appels d'offres viennent ensuite.
sam.govquotidienne
Le Federal Register aujourd'hui, EUR-Lex sur la feuille de route. Des versions numérotées avec des IDs stables, pour voir ce qui a changé de l'une à l'autre.
federalregister.govquotidienne
Prévu : les rôles des tribunaux de première instance des États, normalisés à travers des portails fragmentés, avec les données personnelles filtrées avant tout calcul de hash.
state court portalsfeuille de route
Prévu : les dépôts EDGAR et les documents de résultats, découpés pour la recherche avec des ancres de section stables.
sec.gov / edgarfeuille de route
Prévu : des faits produits structurés pour le commerce agentique — attributs et disponibilité, jamais de texte recopié.
public product feedsfeuille de route
Un corpus vous manque ? Nous construisons des niches et des connecteurs sur mesure avec le plan Enterprise.
nous contacter
"pricing":
demo
0 $US
accès aux échantillons bientôt
starter
99 $US/mois
par jeu de données / mois
pro
299 $US/mois
par jeu de données / mois
enterprise
Sur mesure
contrat sur mesure
"faq":
Oui — c'est tout l'intérêt. Chaque jeu de données est livré sous une licence explicite qui autorise l'usage RAG, les embeddings et la recherche. Les licences Pro et Enterprise incluent une indemnisation. Aucune zone grise de scraping : nous collectons depuis les sources primaires, nous respectons robots.txt et les refus d'usage, et nous filtrons les données personnelles de chaque enregistrement avant tout calcul de hash.
Chaque enregistrement porte son URL source, l'horodatage de collecte et le SHA-256 de la réponse brute. Chaque version est publiée avec un manifeste contenant un SHA-256 pour chaque fichier et un Merkle root sur les hashes de chunks ordonnés. Recalculez les hashes des fichiers, reconstruisez la racine depuis chunks.jsonl, comparez — quelques lignes de votre propre code, aucune du nôtre. Nous avons fait exactement cela sur une version couvrant tout l'historique, avec une implémentation indépendante, et les racines correspondaient.
La cadence dépend du jeu de données et de l'offre : Starter publie des versions hebdomadaires, Pro publie chaque jour. Chaque version est numérotée et, comme les IDs d'enregistrement et de chunk restent stables d'une version à l'autre, vous pouvez comparer vous-même deux versions quelconques et voir exactement ce qui a bougé.
Du JSONL pour les enregistrements et les chunks prêts pour la recherche, plus un manifest.json par version portant le SHA-256 et la taille en octets de chaque fichier, le nombre d'enregistrements et de chunks, les métriques de qualité et le Merkle root sur les hashes de chunks ordonnés.
Pas à partir d'un jeu de données d'exemple aujourd'hui — l'accès aux échantillons est fermé le temps que le corpus grandisse, et il ouvre bientôt. En attendant, dites-nous quel corpus vous évaluez : nous parcourons avec vous une version réelle — le manifeste, le SHA-256 de chaque fichier et le Merkle root — et vous recalculez la racine avec votre propre code avant de payer quoi que ce soit.
Avec le plan Enterprise, nous construisons des niches et des connecteurs sur mesure à partir de votre liste de sources, avec des conditions de fraîcheur convenues au contrat. Dites-nous via le formulaire de contact ce qui manque à votre couche de recherche.