É um conjunto ou coleção de textos escritos ou falados que é usado como base de dados para treinar e avaliar modelos de linguagem e outros sistemas de processamento de linguagem natural. O corpus pode ser composto por diversos tipos de textos, como artigos, livros, transcrições de fala, entre outros, e é fundamental para o desenvolvimento e aprimoramento de modelos de IA generativa e suas aplicações em diferentes tarefas de linguagem.