待验证50% 置信观点精确时间

大语言模型训练时接触的代码样本大多来自GitHub等平台，以Unix环境下的UTF-8无BOM为主，因此模型倾向于这种默认值

1

来源数

50%

置信度

长期有效

时效性

2026/8/7

首次发现

来源

Cursor总写错UTF编码又自我修复？Token浪费的隐藏陷阱

相关事实

已验证大语言模型通过在GitHub等平台上数十亿行开源代码上进行预训练，学会了编程语言的语法规则和自然语言与代码之间的映射关系75% 相似待验证现代大语言模型的预训练数据集通常包含数万亿 token，涵盖 GitHub 代码仓库、Stack Overflow、Linux 文档等72% 相似待验证Git的diff格式是大模型在训练中高度熟悉的语言，因此基于diff的编码修正过程精准且高效71% 相似待验证大模型在预训练阶段接触了海量GitHub上的diff格式数据，对该格式有极高的理解与生成能力71% 相似

引用此条事实

Stable URI

https://kongchang.com/claim/702355

API

curl https://kongchang.com/api/v1/knowledge/claims/702355

MCP

get_claim(id=702355)