北航提出大模子Scaling Laws：编程语言差别与多语言最优配比战略

北航、人大和九坤投资配合撰写的论文《Scaling Laws for Code: Every Programming Language Matters》整理而成。

在代码大模子（Code LLMs）的预训练中，行业内恒久保存一种惯性头脑，即把所有编程语言的代码都视为同质化的文本数据，主要关注数据总量的堆叠。然而，现代软件开发实质上是多语言混淆的，差别语言的语法特征、语料规模和应用场景差别重大。若是忽略这些差别，笼统地应用通用的 Scaling Laws，往往会导致性能展望误差和算力铺张。

为了突破这一黑盒，研究团队泯灭了相当于 33.6 万个 H800 GPU 时，举行了凌驾 1000 次实验。研究笼罩了从 0.2B 到 14B 的模子参数规模，以及高达 1T 的训练数据量，系统性地对 Python、Java、JavaScript、TypeScript、C#、Go、Rust 这七种主流语言举行相识构。这项事情的焦点孝顺在于建设了区分语言特征的 Scaling Laws，并据此提出了一套数学可解的最优数据配例如案。

论文：《Scaling Laws for Code: Every Programming Language Matters》论文链接：https://arxiv.org/abs/2512.13472

图 1：论文提出的多语言 Scaling Law 与古板匀称漫衍基线的 Loss 比照。蓝色曲线显示，基于本文要领优化的模子在相同算力下能一连获得更低的 Loss)

语言特异性：Python 潜力重大，Rust 快速收敛

图 2：七种编程语言各自自力的 Scaling Law 曲线�？梢钥吹� Python（左上）的曲线斜率更险要，而 Rust（右下）则更早趋于平缓)

协同效应矩阵：语言间的 “近亲滋生” 与 “非对称相助”

在现实预训练中，我们很少只训练单语言模子。那么，混淆多种语言训练是否保存 “协同效应”（Synergy）？研究团队构建了一个详尽的协同增益矩阵，量化了引入辅助语言对目口号言性能的影响。

实验发明，绝大大都语言都能从多语言混淆训练中获益，且收益巨细与语法相似度高度相关。例如，Java 与 C#、JavaScript 与 TypeScript 这类语法结构高度相似的语言对，在混淆训练时体现出极强的正向迁徙效果。

更有趣的是，这种迁徙往往是非对称的。Java是多语言训练的最大受益者，险些与任何语言混淆都能大幅降低其 Loss，这可能是由于 Java 作为成熟的面向工具语言，能从其他语言的范式中罗致通用逻辑。而Python虽然是代码领域的通用 “供体”（资助其他语言提升），但其自身从其他语言获得的收益却相对有限，甚至在某些混淆比例下会泛起稍微的负迁徙。这一发明提醒我们，在构建语料库时需要细腻设计混淆战略，而非盲目地 “大杂烩”。

表 1：协同增益矩阵。红色越深代表辅助语言（列）对目口号言（行）的提升越大。Java 所在的行显示出它能从所有辅助语言中获得显著收益)

跨语言对齐战略：并行配对引发 Zero-Shot 能力

除了单语言天生，跨语言翻译（如 Java 转 Python）也是代码模子的主要能力。论文比照了两种数据组织战略：古板的“随机打乱”（Random Shuffling）和“并行配对”（Parallel Pairing）—— 即将一段代码与其翻译版本拼接在统一个 Context 中输入模子。

实验效果批注，并行配对战略在所有模子规模上均显著优于基线。这种战略现实上使用了模子的长上下文窗口，构建了隐式的文档级对齐信号。更要害的是，这种战略引发了模子在Zero-Shot（零样本）偏向上的泛化能力。例如，模子仅训练了 Python?Java 和 Python?Go 的配对数据，但在测试从未见过的 Java?Go 翻译使命时，基于并行配对训练的模子体现出了惊人的组合泛化能力。这证实晰通过构建以 Python 为枢纽的平行语料，可以有用拉齐差别编程语言的向量空间。

图 4：三种战略在跨语言翻译使命上的体现比照。绿色线条代表的并行配对战略（Prompt-based Concatenation）在各偏向上均取得最低 Loss)

最优 Token 分派指南：基于边际效用的经济学

基于上述发明，论文提出了“科学配比的多语言 Scaling Law”（Proportion-dependent Multilingual Scaling Law）。这不但是一个理论公式，更是一套指导算力投资的行动指南。

在总算力牢靠的约束下，古板的匀称分派并非最优解。最优战略应遵照边际效用最大化原则：

重仓高潜力语言：大幅增添Python的 Token 占比，由于它的 Scaling 指数高，投入更大都据能带来一连的性能爬坡。平衡高协同组合：使用JavaScriptTypeScript的互补性，坚持两者适度的比例以最大化协同增益。削减早熟语言投入：适当镌汰RustGo的数据占比。由于它们收敛快，过多的数据投入只会带来边际收益的快速衰减，不如将这部分算力转移给更难学的语言。

实验验证显示，接纳这种 “指导式分派” 战略训练出的 1.5B 模子，在多语言代码天生（MultiPL-E）和翻译使命上，均稳固优于匀称分派的基线模子，且没有任何一种语言因数据镌汰而泛起显著的性能退化。

图 5：基线战略 vs 优化后的 Token 分派计划�；� Scaling Law 的建议大幅增添了 Python（蓝色）的占比，同时削减了 Rust（橙色）和 Go（青色）的占比)

总结与启示

这项事情是代码大模子领域一次主要的 “去魅” 历程。它用详实的数据证实，编程语言在模子训练的视角下绝非同质。

关于致力于训练 Code LLM 的团队而言，这意味着数据工程的重点应从纯粹的 “洗濯与去重” 转向更宏观的 “因素配比”。明确差别语言的 Scaling 特征（是像 Python 一样潜力重大，照旧像 Rust 一样迅速饱和）以及它们之间的协同关系，能够资助我们在有限的算力预算下，训练出综合代码能力更强的基座模子。这不但是算法的优化，更是资源设置效率的提升。

《国产精偷伦视频在线观看》，《Q8X2R7L1T4J5M9B6W3》

日本❌❌❌❌❌18

“播放黄色片现在好看的黄色片黄色黄色视频毛片下载黄色下载黄色黄片”

欧洲欧美人成视频

……

12月31日

“国产精品自产拍在线观看收藏”CK

↓↓↓