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

针对 LLM 微调数据选择中跨域互补与样本间非加性交互的问题，研究者将其形式化为组合式数据选择（CDS）框架，把样本打分与子集选择分离。基于此提出两阶段算法 Mixture-then-Select：先决定每个域抽取多少样本，再按归因分数在域内排序。实验显示其优于强基线 20% 至 54%，且在不同模型和数据池规模下均稳健，并可扩展到预算约束下的数据购买问题。