Pick the Mixture, Not the Samples：面向 LLM 的组合式数据选择

针对 LLM 微调数据选择中样本跨域互补与域内冗余并存的现象，研究者将其形式化为组合式数据选择（CDS）框架，并提出两阶段算法 Mixture-then-Select：先决定各域采样数量，再按归因分数在域内排序。该算法在真实指令微调数据池上比强基线高出 20% 至 54%，且对归因方法、模型和数据池规模均保持稳健，并可扩展至预算约束下的数据采购问题。