英文：Data Mix 分类：training
预训练语料中各来源/领域/语言的比例配置。配比决定模型的能力结构：代码比例高则编程强，中文比例高则中文好，是"数据配方"的核心。
设计：按能力目标定比例（如 50% 网页、25% 代码、10% 数学、15% 中文）、高质量子集加权（上采样）、动态配比（训练中后期增加代码/数学）；经验规律：提高某领域占比可针对性增强，但需防能力倒退。
用于大模型预训练（每代模型的配方是核心机密）、能力补齐（推理/多语）与领域模型定制；数据配比+数据质量构成"预训练即数据工程"的共识。