待验证50% 置信事实精确时间

根据Epoch AI等机构的研究，公开互联网上可用于训练的高质量文本（如书籍、学术论文、优质网页内容）总量约为数百亿词级别

1

来源数

50%

置信度

长期有效

时效性

2026/10/13

首次发现

来源

AI训练数据从哪来？数据授权中介模式悄然兴起

涉及实体

Epoch AIcompany 高质量训练文本concept

相关事实

待验证Epoch AI估算互联网上可公开获取的高质量文本数据总量约在4.6万亿到17万亿token之间79% 相似待验证公开互联网上高质量文本的存量正在被快速消耗，促使AI团队转向非公开数据源78% 相似待验证训练使用约500万行英文维基百科语料约3亿token，10万上下文词表，23758个名词目标75% 相似待验证互联网档案馆保存的8000亿网页涵盖了互联网30年的演化历程，包含大量已从现网消失的内容，成为训练AI模型的珍贵语料库70% 相似待验证网页抓取是AI Agent中成本最高的工具调用类型之一，普通网页原始HTML通常包含数万到数十万个字符68% 相似

引用此条事实

Stable URI

https://kongchang.com/claim/1018044

API

curl https://kongchang.com/api/v1/knowledge/claims/1018044

MCP

get_claim(id=1018044)