待验证50% 置信事实精确时间

GPT、Claude、Llama等主流模型的训练语料以英语为主，占比可高达50%-90%

1

来源数

50%

置信度

长期有效

时效性

2026/7/16

首次发现

来源

AI多语言偏差：Claude在印地语和阿拉伯语中更"礼貌"的背后

相关事实

待验证GPT-4的训练数据中英文占比超过90%79% 相似待验证GPT-3 的预训练语料以自然语言为主，代码仅占约 1%，而 Codex 的微调数据集中代码占比超过 90%71% 相似待验证GPT系列和Claude等主流大语言模型的训练语料主要抓取自2000年代以后的互联网内容68% 相似已验证GPT和BERT等大语言模型基于自监督学习范式68% 相似待验证GPT-4、Claude等通用大模型在预训练阶段学习的是互联网上的海量公开文本，倾向于给出通用的回答66% 相似

引用此条事实

Stable URI

https://kongchang.com/claim/532878

API

curl https://kongchang.com/api/v1/knowledge/claims/532878

MCP

get_claim(id=532878)