在深度学习或机器学习领域中，“数据配比”通常指的是在准备用于训练模型的数据时，不同类别、不同来源、不同特征的数据在整个数据集中所占的比例和分布情况。

在微调过程中，需要将预训练数据与特定任务数据合理配比。这需要根据任务需求进行调整，以确保模型既能学习到通用语言知识，又能掌握任务特定知识。在某些情况下，增加特定任务数据的比例可能有助于提高模型在该任务上的性能；而在其他情况下，保持一定的通用知识可能更为关键。合理的数据配比对于模型的训练和性能至关重要。如果数据配比不均衡，可能会导致以下问题：

1. 模型偏差：如果某些类别或特征的数据过多或过少，模型可能会对占比较多的数据类别或特征过度拟合，而对占比较少的数据类别或特征学习不足，从而影响模型的泛化能力和准确性。
2. 性能不佳：不均衡的数据配比可能导致模型在处理少数类别或特征的数据时表现不佳，影响整体性能。

使用建议：

若用户仅需要使用指定垂类场景下的能力，可以直接进行训练。

若用户需要模型保持通用能力的同时，提升垂类场景的能力，可以选择数据配比进行混合训练。默认配比为1:5，即1份领域数据: 5份通用语料。