选配比而非挑样本：面向大语言模型的组合数据选择

针对大语言模型微调中跨领域互补与样本非加性交互问题，研究提出组合数据选择（CDS）框架与两阶段算法 Mixture-then-Select。该算法将归因与选择解耦，先确定各领域的样本抽取配比，再在各域内按归因得分筛选样本。实验显示其表现比强基线提升 20% 至 54%，理论差距与数据池规模无关，并可扩展至带预算约束的数据采购场景。