待验证50% 置信事实精确时间
Common Crawl是AI训练中最常用的公共数据集之一，GPT系列模型及众多开源大模型均以其为重要数据来源
1
来源数
50%
置信度
长期有效
时效性
2026/9/17
首次发现
来源
涉及实体
相关事实
待验证GPT系列训练语料来源涵盖Common Crawl网络爬虫数据、书籍数据库、维基百科及其他网络内容74% 相似待验证OpenAI在GPT-3的技术报告中披露其训练数据集包含Common Crawl（经过质量过滤）、WebText2、Books1、Books2和英文维基百科71% 相似待验证GPT-4o的多模态技术路线可以追溯到OpenAI的CLIP模型，CLIP通过在数亿组互联网图文配对数据上进行对比学习训练，将图像特征和文本语义映射到同一高维向量空间69% 相似待验证可利用大模型（如GPT-4）基于领域文档自动生成合成训练数据，降低标注成本68% 相似已验证许多开源模型使用GPT-4、Claude等商业模型生成的高质量输出作为训练数据，即知识蒸馏训练范式67% 相似
引用此条事实
Stable URI
https://kongchang.com/claim/930228API
curl https://kongchang.com/api/v1/knowledge/claims/930228MCP
get_claim(id=930228)