待验证50% 置信事实精确时间
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%
1
来源数
50%
置信度
长期有效
时效性
2026/7/24
首次发现
来源
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%74% 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73% 相似待验证英文语料在大多数大语言模型中占比最高，通常超过50%，因此用英文写Prompt在某些复杂任务上可能获得更好的效果71% 相似待验证英语约占互联网文本的50%以上，而斯瓦希里语、泰米尔语等语言的数字化语料极为稀缺66% 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%64% 相似
引用此条事实
Stable URI
https://kongchang.com/claim/607216API
curl https://kongchang.com/api/v1/knowledge/claims/607216MCP
get_claim(id=607216)