课程学习和数据配比差在哪？顺序与比例

大模型训练数据的安排有两件事：各类数据占多少，先学什么后学什么。课程学习和数据配比差在哪？一个管顺序，一个管比例，动的是两套不同的旋钮。配方决定模型见过多少种东西，火候决定它按什么节奏吸收，两者常被混为一谈，其实可以分开调。

结论先说：定比例是配方，排顺序是火候

只想调数据构成，不动训练流程，选数据配比：代码占多少、对话占多少、知识占多少，配比一定，全程采样比例不变。想让模型按从易到难的节奏学习，选课程学习：把数据按难度或类型分段，训练前期喂基础的，后期喂复杂的。

成本上配比便宜，改采样权重就行；课程学习要设计分段和切换时机，实验周期长。新旧数据的讲究常和课程学习一起用，因为时间本身就构成一种天然顺序。

一个动比例一个动先后

数据配比的旋钮是各类数据的占比。比如想强化推理，就把带完整推导的样本占比从一成提到三成，其他类等比压缩。全程都按这个比例采样，模型自始至终泡在同一个配方里。它的效果是全局的、缓慢渗透的。占比的调整要看数据集的体量，一万条的样本提一成是一千条，量太小可能连信号都盖不住噪声。

课程学习的旋钮是时间轴。同一批数学数据，先喂计算题建立基本运算感，再喂证明题练逻辑链。难点在于难度标签本身不可靠，多数时候只能用代理指标粗分几档。并行方案定了之后，这种时间轴上的设计才好落地，否则通信模式一变，训练节奏全乱。分段切换的时机也要留观察窗口，切太早模型基础没牢，切太晚复杂样本又吃腻了。

两个旋钮调的东西不一样，按四件事分开看。

对收敛过程的影响

配比影响的是最终能力分布。配比偏科，模型就在偏科的方向上强，其他方向悄悄变弱，而且这种偏移是累积的，训练越久越明显。监控办法是各类测试集分开看，别只盯综合分。综合分是个平滑器，一类涨两类跌，总分可能纹丝不动，问题就这么被藏住了。

课程学习影响的是收敛路径。顺序合理，前期损失降得快，后期提升更稳；顺序生硬，比如一上来就喂超难样本，模型可能长时间卡在高原，甚至早期就过拟合到错误模式。偏好阶段的数据安排同样有这个问题，优选样本和劣选样本的呈现顺序，会影响拉大差距的效率。

实操中的常见组合

落地时两者通常一起上：先用配比定骨架，再用课程排节奏。比如通用对话六成、领域知识三成、代码一成的骨架下，领域知识内部按由浅入深分三段，前期占该类的三成，后期占七成。这样既有稳定的全局构成，又有渐进的学习曲线。写实验方案时把两个旋钮的当前值记在同一张表上，复盘时谁起了作用一目了然。

常见的错误是两头一起频繁改。配比每周调、课程每月换，模型被来回拉扯，最后说不清是哪种安排起了作用。通义千问和秘塔AI搜索背后的团队都强调实验纪律：一次只动一个旋钮，跑完再动下一个。合成数据与真实数据的配比，是这条纪律最常应用的战场。

速查表：配比是配方，全程比例不变；课程是火候，按时间轴分段；一次只动一个旋钮。综合分会骗人，分类指标才说实话。

顺序与比例问得最多的三个

• 难度标签不可靠怎么办？用代理指标粗分几档即可，比如按长度、按知识层级，课程的价值在节奏不在精确。
• 配比要一次定死吗？不必，但改动要有据，每次调整对应一个明确的短板假设，别凭感觉微调。
• 小任务值得搞课程吗？多数不值得，数据量小的任务配比影响更直接，课程带来的效果常被噪声淹没。