一句话定义：数据配比（Data Mixture）就是在预训练（Pre-training）阶段，把代码、中文、数学、通用网页文本等各类语料，按什么比例混在一起喂给模型。
打个比方：这像给一个正在长身体的孩子配餐。米饭、肉、青菜、甜点各占多少，决定他将来是健壮、挑食还是虚胖。模型的"食物"就是网页、代码仓库、数学题解、书籍、多语言语料。总饭量相同、配比不同，会长出两个脾气完全不同的模型。
为什么影响这么大：预训练的本质是"预测下一个词"，模型在哪类文本上见得多，就在那类分布上被压得更准。代码里全是严格的括号、缩进、变量引用和一步步推导，代码见得多的模型，处理长链条推理往往更稳；数学语料提供符号运算和严密步骤；中文语料的多少，直接决定它说中文是自然还是"翻译腔"。
配比不是越多越好，而是此消彼长——训练预算固定，加一类等于减另一类。
| 数据类型 | 类比 | 占比偏高 | 占比偏低 |
|---|---|---|---|
| 代码 | 逻辑体操 | 推理链条稳，但说话像写文档 | 长步骤推理容易断 |
| 数学 | 举铁 | 符号运算强，表达偏干巴 | 算数、证明类任务吃力 |
| 中文 | 母语环境 | 中文语感自然，跨语言迁移可能变弱 | 中文别扭、生硬 |
| 通用网页 | 杂食 | 世界知识面广，噪声也一起进来 | 常识与知识面变窄 |
和相邻概念的区别：数据配比管的是"各类吃多少"；数据质量与清洗（去重、过滤、去毒）管的是"吃得干不干净"；数据规模管的是"总共吃多少"；而上采样／下采样（upsampling / downsampling）、温度采样（temperature sampling）只是把既定配比落到每个批次里的技术手段。还有一个常被混为一谈的是课程学习（Curriculum Learning），它管的是"先吃什么后吃什么"，属于顺序而非比例。
对从业者的意义：模型出现明显偏科时，先怀疑配比，再怀疑超参。做垂类模型时，基座在预训练阶段的中文、代码占比，往往已经决定了能力天花板，微调（AI 词典：Fine-tuning">Fine-tuning）只能补一部分。微调阶段同样有配比问题，只是数据量小得多。
对普通职场人的意义：同一个底座、不同配比，出来的模型擅长的事差别很大。选模型别只问"多少参数"，可以问一句"它训练时看了多少中文和代码"。为什么有的模型写中文很顺、有的算数老出错、有的特别爱用列表回答，答案常常藏在这只最不显眼的旋钮里。
各家具体怎么配属于核心机密，公开技术报告通常也只给大致区间，真要落到某个模型，以官方技术报告或官方页面为准。