北航提出大模型Scaling Laws：編程語言差異與多語言最優配比策略

北航、人大和九坤投資共同撰寫的論文 《Scaling Laws for Code: Every Programming Language Matters》 整理而成。

在代碼大模型（Code LLMs）的預訓練中，行業內長期存在一種慣性思維，即把所有編程語言的代碼都視為同質化的文本數據，主要關注數據總量的堆疊。然而，現代軟件開發本質上是多語言混合的，不同語言的語法特性、語料規模和應用場景差異巨大。如果忽略這些差異，籠統地應用通用的 Scaling Laws，往往會導致性能預測偏差和算力浪費。

為了打破這一黑盒，研究團隊耗費了相當于 33.6 萬個 H800 GPU 時，進行了超過 1000 次實驗。研究覆蓋了從 0.2B 到 14B 的模型參數規模，以及高達 1T 的訓練數據量，系統性地對 Python、Java、JavaScript、TypeScript、C#、Go、Rust 這七種主流語言進行了解構。這項工作的核心貢獻在于建立了區分語言特性的 Scaling Laws，并據此提出了一套數學可解的最優數據配比方案。

• 論文：《Scaling Laws for Code: Every Programming Language Matters》
• 論文鏈接：https://arxiv.org/abs/2512.13472

圖 1：論文提出的多語言 Scaling Law 與傳統均勻分布基線的 Loss 對比。藍色曲線顯示，基于本文方法優化的模型在相同算力下能持續獲得更低的 Loss)

語言特異性：Python 潛力巨大，Rust 快速收斂

圖 2：七種編程語言各自獨立的 Scaling Law 曲線。可以看到 Python（左上）的曲線斜率更陡峭，而 Rust（右下）則更早趨于平緩)

協同效應矩陣：語言間的 “近親繁殖” 與 “非對稱互助”

在實際預訓練中，我們很少只訓練單語言模型。那么，混合多種語言訓練是否存在 “協同效應”（Synergy）？研究團隊構建了一個詳盡的協同增益矩陣，量化了引入輔助語言對目標語言性能的影響。

實驗發現，絕大多數語言都能從多語言混合訓練中獲益，且收益大小與語法相似度高度相關。例如，Java 與 C#、JavaScript 與 TypeScript 這類語法結構高度相似的語言對，在混合訓練時表現出極強的正向遷移效果。

更有趣的是，這種遷移往往是非對稱的。Java是多語言訓練的最大受益者，幾乎與任何語言混合都能大幅降低其 Loss，這可能是因為 Java 作為成熟的面向對象語言，能從其他語言的范式中汲取通用邏輯。而Python雖然是代碼領域的通用 “供體”（幫助其他語言提升），但其自身從其他語言獲得的收益卻相對有限，甚至在某些混合比例下會出現輕微的負遷移。這一發現提示我們，在構建語料庫時需要精細設計混合策略，而非盲目地 “大雜燴”。

表 1：協同增益矩陣。紅色越深代表輔助語言（列）對目標語言（行）的提升越大。Java 所在的行顯示出它能從所有輔助語言中獲得顯著收益)

跨語言對齊策略：并行配對激發 Zero-Shot 能力

除了單語言生成，跨語言翻譯（如 Java 轉 Python）也是代碼模型的重要能力。論文對比了兩種數據組織策略：傳統的“隨機打亂”（Random Shuffling）和“并行配對”（Parallel Pairing）—— 即將一段代碼與其翻譯版本拼接在同一個 Context 中輸入模型。

實驗結果表明，并行配對策略在所有模型規模上均顯著優于基線。這種策略實際上利用了模型的長上下文窗口，構建了隱式的文檔級對齊信號。更關鍵的是，這種策略激發了模型在Zero-Shot（零樣本）方向上的泛化能力。例如，模型僅訓練了 Python?Java 和 Python?Go 的配對數據，但在測試從未見過的 Java?Go 翻譯任務時，基于并行配對訓練的模型表現出了驚人的組合泛化能力。這證明了通過構建以 Python 為樞紐的平行語料，可以有效拉齊不同編程語言的向量空間。

圖 4：三種策略在跨語言翻譯任務上的表現對比。綠色線條代表的并行配對策略（Prompt-based Concatenation）在各方向上均取得最低 Loss)

最優 Token 分配指南：基于邊際效用的經濟學

基于上述發現，論文提出了“科學配比的多語言 Scaling Law”（Proportion-dependent Multilingual Scaling Law）。這不僅是一個理論公式，更是一套指導算力投資的行動指南。

在總算力固定的約束下，傳統的均勻分配并非最優解。最優策略應遵循邊際效用最大化原則：

1. 重倉高潛力語言：大幅增加Python的 Token 占比，因為它的 Scaling 指數高，投入更多數據能帶來持續的性能爬坡。
2. 平衡高協同組合：利用JavaScriptTypeScript的互補性，保持兩者適度的比例以最大化協同增益。
3. 削減早熟語言投入：適當減少RustGo的數據占比。因為它們收斂快，過多的數據投入只會帶來邊際收益的快速衰減，不如將這部分算力轉移給更難學的語言。

實驗驗證顯示，采用這種 “引導式分配” 策略訓練出的 1.5B 模型，在多語言代碼生成（MultiPL-E）和翻譯任務上，均穩定優于均勻分配的基線模型，且沒有任何一種語言因數據減少而出現顯著的性能退化。

圖 5：基線策略 vs 優化后的 Token 分配方案。基于 Scaling Law 的建議大幅增加了 Python（藍色）的占比，同時削減了 Rust（橙色）和 Go（青色）的占比)

總結與啟示

這項工作是代碼大模型領域一次重要的 “去魅” 過程。它用詳實的數據證明，編程語言在模型訓練的視角下絕非同質。

對于致力于訓練 Code LLM 的團隊而言，這意味著數據工程的重點應從單純的 “清洗與去重” 轉向更宏觀的 “成分配比”。理解不同語言的 Scaling 特性（是像 Python 一樣潛力巨大，還是像 Rust 一樣迅速飽和）以及它們之間的協同關系，能夠幫助我們在有限的算力預算下，訓練出綜合代碼能力更強的基座模型。這不僅是算法的優化，更是資源配置效率的提升。