待验证75% 置信事实时间未知

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%

1

来源数

75%

置信度

长期有效

时效性

2026/6/1

首次发现

来源

Speak2Prompt：语音转AI提示词开源工具，打破编程语言壁垒

githubminh-quang-pham-le

涉及实体

Common Crawlproduct

相关事实

待验证主流大语言模型的训练数据中，英文内容通常占据60%-80%的比例84% 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81% 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%75% 相似待验证Common Crawl等通用语料库中英语占比通常超过45%，而葡萄牙语不足2%74% 相似待验证英文语料在大多数大语言模型中占比最高，通常超过50%，因此用英文写Prompt在某些复杂任务上可能获得更好的效果74% 相似

引用此条事实

Stable URI

https://kongchang.com/claim/31032

API

curl https://kongchang.com/api/v1/knowledge/claims/31032

MCP

get_claim(id=31032)