怎麼填變量：三段內容可以完全換掉，比如做"公司預算流向"：左段寫"[營收來源]"，中段寫"研發 / 市場 / 運營"，右段寫"利潤 / 再投資"；做"用戶轉化"：左段寫各渠道訪客，中段寫"註冊 / 激活"，右段寫"付費 / 流失"。數字寫成"5400 億"這類短格式更容易被正確畫出來。示例圖是英文版：左邊八個彩色色塊，中間三個白色處理框，右邊一大塊淺青"Pretraining set"和兩塊橙色小塊，流帶在中間交織，底部有圖例。

常見問題與調整：

• 流帶粗細和數字對不上：把來源控制在 5 個以內，並加"流帶粗細嚴格與數字成比例"。
• 中文標籤被流帶遮住：加"所有標籤放在色塊內部，流帶上只標數字"。
• 顏色太亂：限定"只用 3 種主色的深淺變化"。
• 需要精確數據：用這張定配色和版式，再用圖表工具按真實數據畫。

適合：技術分享、年度報告、業務流程講解 PPT 的示意圖；不適合當作精確統計結果發佈。

英文原版

Landscape 16:9 sankey diagram of a pretraining data mixture, three stages with translucent colored ribbons.

LEFT (8 source blocks, heights proportional to tokens): "Common Crawl (web) 540B" (muted navy, largest), "arXiv papers 180B" (dusty teal), "GitHub code 160B" (slate gray), "Wikipedia 40B" (soft terracotta), "StackExchange QA 30B" (warm copper), "Books (public domain) 25B" (pale olive), "Patents 18B" (pale navy), "Curated news & forums 15B" (dusty teal).

MIDDLE (3 processing blocks, stacked): "Deduplicated (MinHash + exact)", "Quality-filtered (classifier + heuristics)", "PII-scrubbed (regex + NER)".

RIGHT (3 final splits): "Pretraining set 1.4T tokens" (largest), "Instruction-tune pool 12B tokens", "RLHF preference pool 3B tokens".

Flow ribbons inherit source color with mid-labels showing token counts ("85B", "320B", "44B"). Legend strip at bottom.

Title: "LLM pretraining data mixture and downstream splits". Subtitle: "token counts after deduplication and quality filtering; ribbon thickness ∝ token flow."

改編自 wuyoscar/GPT-Image2-Skill 收錄的提示詞（倉庫整理），許可證 MIT（Copyright (c) 2026 Wuyoscar）。