待验证50% 置信事实精确时间

Meta的LLaMA论文披露其训练数据中约67%来自Common Crawl，经过多轮过滤后仅保留原始数据的约15%

1

来源数

50%

置信度

长期有效

时效性

2026/8/9

首次发现

来源

SEO语料污染：以色列如何通过训练数据操控AI认知

相关事实

待验证研究表明在某些开源Benchmark上头部大模型训练语料与评测数据的n-gram重叠率可高达15%~30%68% 相似待验证实验采用8:2比例划分数据，20%作为内部测试集，训练集内部使用5折交叉验证，并移除重复记录以避免数据泄漏67% 相似已验证对于一个 70 亿参数的模型，LoRA 通常只需训练不到 1% 的参数量，显存需求可降低 60% 以上66% 相似待验证对LLaMA-7B所有注意力层应用r=8的LoRA，可训练参数量从70亿降至约400万，压缩比超过1750倍66% 相似待验证随机森林的bootstrap抽样使每棵树只看到约63.2%的训练样本63% 相似

引用此条事实

Stable URI

https://kongchang.com/claim/718451

API

curl https://kongchang.com/api/v1/knowledge/claims/718451

MCP

get_claim(id=718451)