对齐查询空间：用于语言模型数据选择的贪心信息投影

基于摘要分析。本文研究语言模型的数据选择，提出 Greedy Information Projection（GIP）：不直接将样本质量与多样性作为两个独立目标，而是选择能够保留下游指令、任务信号或检索需求所诱导查询空间的数据。 机制上，GIP 只需候选样本嵌入和评分信号；评分可来自 LLM 判断、元数据或内在几何结构。算法以贪心方式选择嵌入张成空间能够解释任务／查询评分最大残差成分的样本，形成 matching-pursuit 式选择器。作者通过高斯投影视角，将该更新联系到互信息最大化，等价表述为最小化所选数据尚未解释的查询子空间残余体积，并据此解释质量与多样性如何由同一目标产生。该联系的具体假设、推导及计算复杂度尚未验证。 作者报告，在指令与推理任务中，以小规模子集微调可达到或超过全量数据微调的表现；预训练和 RAG 段落选择实验也支持这一残差原则在监督微调之外的适用性。摘要未给出数据集、子集比例、评价指标或具体数值，实验协议、消融及统计信息尚未验证，暂不能判断收益对嵌入质量、评分来源和任务分布的敏感程度。 平台推测（待验证）：其可迁移假设是，若 EEG 候选片段的嵌入与任务评分能够表达目标任务结构，残差驱动选择或可用于有限标注预算下的数据筛选；这并非作者已验证的 EEG／BCI 结果。可复用的是贪心残差选择原则，需改造的是 EEG 表征与评分信号。低信噪比可能使选择偏向伪迹，跨被试与通道差异可能主导嵌入几何，小数据下评分也可能不稳定。一个可检验的小实验是在固定跨被试划分与相同标注预算下，仅从训练集选择样本，对照随机选择和单纯评分排序，比较目标任务表现及选择稳定性。已有 EEG 相关工作尚未检索确认。