超越改写：书级组织提升中期训练的合成教材数据

该研究考察合成教材数据的收益是否来自书级组织，而不只是内容或局部改写。作者构建了从预训练语料检索、聚类、目录规划到章节组装的流水线，生成686K本教材、约32B tokens。实验显示，完整书籍组织相较拆分章节平均提升1.02，优于随机拼接与单文档改写。