已验证65% 置信事实精确时间
The internet's supply of high-quality text data for training large language models has been largely consumed.
3
来源数
65%
置信度
中期 (~90 天)
时效性
2026/7/2
首次发现
有效期至：2026/9/30
来源
相关事实
待验证大型语言模型的知识来源于训练数据，主要来自公开的互联网信息，无法访问企业内部数据80% 相似已验证大语言模型通过在数千亿乃至数万亿个词元（Token）的文本数据上进行自监督预训练77% 相似待验证Training data for large language models includes both authoritative sources like Wikipedia and unreliable content like forum spam and deliberate fabrications74% 相似待验证当训练数据中某些文本出现频率极高时，大语言模型可能产生记忆化（Memorization）现象，能够近乎逐字输出特定段落70% 相似待验证当前主流大语言模型在处理纯文本时表现优异，但对表格、流程图、截图等非文本格式的理解能力存在显著瓶颈70% 相似
引用此条事实
Stable URI
https://kongchang.com/claim/46503API
curl https://kongchang.com/api/v1/knowledge/claims/46503MCP
get_claim(id=46503)