待验证50% 置信事实精确时间

英语通常占据主流LLM训练数据的40%-70%，而捷克语、斯洛伐克语的占比可能不足1%

1

来源数

50%

置信度

长期有效

时效性

2026/9/11

首次发现

来源

LLM面对输入数据与内部记忆冲突时会犯更多错误吗？

涉及实体

英语concept 捷克语concept 斯洛伐克语concept

相关事实

待验证主流大语言模型训练语料中，英文数据占据压倒性比例，以Common Crawl等公开数据集为例，英文内容通常占总量的40%-60%，而越南语、中文等语言的占比往往不足5%72% 相似待验证Meta Llama 2的2万亿token训练数据中英语占比约89.7%，欧洲语言合计约8%，其余所有语言共享约2%71% 相似待验证主流大语言模型的训练数据中，英文内容通常占据60%-80%的比例70% 相似待验证主流大语言模型训练语料库中英语内容通常超过50%，导致非英语语言表现存在显著差距64% 相似待验证Common Crawl等通用语料库中英语占比通常超过45%，而葡萄牙语不足2%63% 相似

引用此条事实

Stable URI

https://kongchang.com/claim/893446

API

curl https://kongchang.com/api/v1/knowledge/claims/893446

MCP

get_claim(id=893446)