待验证50% 置信事实精确时间
em-dash（长破折号）的高频使用是LLM生成文本最显著的语言学特征之一
1
来源数
50%
置信度
长期有效
时效性
2026/8/14
首次发现
来源
相关事实
待验证Llama 3 的词表扩展使得非英语文本（特别是使用非拉丁字母的语言）的编码效率提升约 30-40%70% 相似待验证LLM通过在海量文本语料上进行无监督预训练（预测下一个词）来习得语言能力66% 相似待验证LLM 在处理语法错误、拗口句式、被动语态滥用、冗余表达等表层语言问题上表现出色，能在几秒内给出流畅的改写建议63% 相似待验证Large language models fall into two major categories: Base LLMs and Instruction Tuned LLMs.62% 相似待验证大语言模型（LLM）依赖自然语言理解（NLU）和智能内容生成（NLG）两项关键能力实现对话功能62% 相似
引用此条事实
Stable URI
https://kongchang.com/claim/745180API
curl https://kongchang.com/api/v1/knowledge/claims/745180MCP
get_claim(id=745180)