Unverified50% confidenceFactExact time

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

Sources

50%

Confidence

Long-term

Relevance

7/16/2026

First Seen

Sources

AI多语言偏差：Claude在印地语和阿拉伯语中更"礼貌"的背后

Related Claims

UnverifiedGPT-4的训练数据中英文占比超过90%79% similar UnverifiedGPT-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% similar UnverifiedGPT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% similar VerifiedGPT和BERT等大语言模型基于自监督学习范式68% similar UnverifiedGPT-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% similar

Cite This Claim

Stable URI

https://kongchang.com/claim/532878

API

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

MCP

get_claim(id=532878)