待验证50% 置信事实精确时间

全球仅有约5%的人口在家说英语，但约63.7%的在线文本是英语，基于这种分布训练的模型在非英语提示上表现明显更弱。

1

来源数

50%

置信度

长期有效

时效性

2026/10/15

首次发现

来源

菲律宾83%学生已用AI，监管框架能否跟上？

涉及实体

英语concept 低资源语言concept

相关事实

已验证主流大语言模型训练语料中，英文数据占据压倒性比例，以Common Crawl等公开数据集为例，英文内容通常占总量的40%-60%，而越南语、中文等语言的占比往往不足5%74% 相似待验证英语约占互联网文本的50%以上，而斯瓦希里语、泰米尔语等语言的数字化语料极为稀缺71% 相似待验证主流大语言模型训练语料库中英语内容通常超过50%，导致非英语语言表现存在显著差距71% 相似待验证Meta Llama 2的2万亿token训练数据中英语占比约89.7%，欧洲语言合计约8%，其余所有语言共享约2%69% 相似

引用此条事实

Stable URI

https://kongchang.com/claim/1040837

API

curl https://kongchang.com/api/v1/knowledge/claims/1040837

MCP

get_claim(id=1040837)