feat: publish data engineering chapter

src/pages/index.astro

@@ -8,6 +8,7 @@ const routes: Record<string, string> = {
   roadmap: "/roadmap/",
   foundations: "/foundations/",
   scaling: "/scaling/",
+  "pretraining/data": "/pretraining/data/",
   moe: "/moe/",
   "long-context": "/long-context/",
   reasoning: "/reasoning/",
@@ -80,6 +81,7 @@ const paths = [
           <a class="button" href="/k3/">直接解剖 K3</a>
           <a class="button" href="/deepseek/">DeepSeek 专题</a>
           <a class="button" href="/scaling/">Scaling Laws 专题</a>
+          <a class="button" href="/pretraining/data/">数据工程专题</a>
           <a class="button" href="/moe/">MoE 专题</a>
           <a class="button" href="/long-context/">长上下文专题</a>
           <a class="button" href="/reasoning/">推理专题</a>
@@ -93,20 +95,36 @@ const paths = [
         <div class="hero-stats">
           <div><b>16</b><span>核心专题</span></div>
           <div><b>151</b><span>K3 报告来源</span></div>
-          <div><b>182</b><span>关键论文索引</span></div>
+          <div><b>202</b><span>关键论文索引</span></div>
           <div><b>47p</b><span>K3 技术报告</span></div>
         </div>
       </aside>
     </div>
     <div class="scope-strip">
       <span>研究范围</span>
-      <p>表示学习 · Transformer · Scaling · MoE · 长上下文 · 训练系统 · 后训练 · 推理 · Agent · 多模态 · 服务与评测</p>
+      <p>表示学习 · Transformer · Scaling · 数据工程 · MoE · 长上下文 · 训练系统 · 后训练 · 推理 · Agent · 多模态 · 服务与评测</p>
       <a href="/progress/">查看实时进度 →</a>
     </div>
   </section>
 
   <section class="section compact release-section" id="new-chapters">
     <div class="release-grid">
+      <a class="release-card data-release" href="/pretraining/data/">
+        <div>
+          <p class="eyebrow"><span>NEW / CHAPTER 05</span> DATA & PRE-TRAINING</p>
+          <h2>同样一万亿 Token，可以是完全不同的训练经历</h2>
+          <p>
+            用来源、解析、质量、唯一性、污染、混合、变换、Tokenizer、Packing、课程与模型感知价值十二张账，
+            从 C4、Pile、DoReMi 和 DCLM 一路走到 DeepSeek 五代数据工程与 Kimi K2→K3 原生多模态。
+          </p>
+        </div>
+        <dl>
+          <div><dt>LINEAGE</dt><dd>2019 → 2026</dd></div>
+          <div><dt>PAPERS</dt><dd>31 个一手节点</dd></div>
+          <div><dt>LAB</dt><dd>流水线 · 去重 · 混合 · 改写</dd></div>
+        </dl>
+        <span class="release-arrow" aria-hidden="true">进入数据工程专题 →</span>
+      </a>
       <a class="release-card scaling-release" href="/scaling/">
         <div>
           <p class="eyebrow"><span>NEW / CHAPTER 04</span> SCALING LAWS</p>
@@ -420,6 +438,7 @@ const paths = [
       transition: transform 180ms ease, border-color 180ms ease;
     }
 
+    .data-release,
     .scaling-release,
     .training-release,
     .reasoning-release {
@@ -427,6 +446,13 @@ const paths = [
       min-height: 510px;
     }
 
+    .data-release {
+      background:
+        radial-gradient(circle at 82% 18%, rgba(76, 118, 112, 0.2), transparent 30%),
+        repeating-linear-gradient(0deg, transparent 0 46px, rgba(76, 118, 112, 0.045) 46px 47px),
+        var(--paper-raised);
+    }
+
     .scaling-release {
       background:
         radial-gradient(circle at 82% 18%, rgba(159, 91, 52, 0.18), transparent 30%),
@@ -510,6 +536,7 @@ const paths = [
         padding-bottom: 76px;
       }
 
+      .data-release,
       .scaling-release,
       .training-release,
       .reasoning-release {

src/pages/moe/index.astro

@@ -683,7 +683,7 @@ const paperChain = [
         <div class="next-links">
           <a class="button primary" href="/k3/#moe">回到 K3：在整机架构中定位 Stable LatentMoE →</a>
           <a class="button" href="/deepseek/">DeepSeek 完整论文谱系</a>
-          <a class="button" href="/papers/">搜索全部 182 篇论文</a>
+          <a class="button" href="/papers/">搜索全部 202 篇论文</a>
         </div>
       </section>
     </article>

src/pages/progress/index.astro

@@ -12,6 +12,7 @@ const workstreams = [
   { label: "Kimi K3 深读", value: 66, next: "扩写 pre-training / infra 逐图笔记" },
   { label: "Transformer 基础", value: 52, next: "加入矩阵形状动画与手算练习" },
   { label: "Scaling Laws", value: 74, next: "加入真实拟合复现、置信区间与更多模型族对照" },
+  { label: "数据工程与预训练配方", value: 73, next: "逐图精读 FineWeb / DCLM，加入真实去重与 mixture traces" },
   { label: "DeepSeek 专题", value: 71, next: "补 R1 / DAPO 的逐图训练轨迹与复现对照" },
   { label: "推理与测试时扩展", value: 76, next: "真实模型采样曲线、PRM 案例与逐篇图表精读" },
   { label: "稀疏计算与 MoE", value: 74, next: "补充真实集群 traces 与专家特化案例" },
@@ -41,7 +42,7 @@ const workstreams = [
         <div><dt>OVERALL</dt><dd>专题平均 {average}%</dd></div>
         <div><dt>READABLE</dt><dd>{published} 个首版可读专题</dd></div>
         <div><dt>ACTIVE</dt><dd>{researching} 个研究/写作中</dd></div>
-        <div><dt>UPDATED</dt><dd>2026-07-29 02:08 CST</dd></div>
+        <div><dt>UPDATED</dt><dd>2026-07-29 03:01 CST</dd></div>
         <div><dt>MODE</dt><dd>持续迭代，不锁死版本</dd></div>
       </dl>
     </div>
@@ -51,7 +52,7 @@ const workstreams = [
     <div class="section-heading">
       <div>
         <p class="eyebrow"><span>01</span> WORKSTREAMS</p>
-        <h2>十二条工作流同时推进，但不混淆“有页面”和“已核验”</h2>
+        <h2>十三条工作流同时推进，但不混淆“有页面”和“已核验”</h2>
       </div>
       <p class="section-lead">
         内容首版优先打通全局脉络；随后每轮迭代选择一个专题推进到论文/工程层，并做独立事实复核。
@@ -88,14 +89,15 @@ const workstreams = [
       <article><span>✓</span><h3>K3 报告已结构化拆解</h3><p>47 页报告目录、151 条参考来源和架构/后训练/系统主线已经提取。</p></article>
       <article><span>✓</span><h3>16 专题知识图</h3><p>从语言模型基础到评测安全，包含先修依赖和三条贯穿案例。</p></article>
       <article><span>✓</span><h3>编辑式网站系统</h3><p>响应式导航、章节模板、侧栏、进度、论文链和证据提示组件。</p></article>
-      <article><span>✓</span><h3>十六个原创交互视图</h3><p>K3、注意力、DeepSeek、长上下文、MoE、推理三页签，以及训练系统与 Scaling 各四页签实验。</p></article>
-      <article><span>✓</span><h3>八篇首版长文</h3><p>K3 导读、Transformer 基础、DeepSeek 谱系、Scaling、长上下文、MoE、推理与训练系统专题。</p></article>
+      <article><span>✓</span><h3>二十个原创交互视图</h3><p>K3、注意力、DeepSeek、长上下文、MoE、推理，以及训练系统、Scaling 与数据工程的多页签实验。</p></article>
+      <article><span>✓</span><h3>九篇首版长文</h3><p>K3、Transformer、DeepSeek、Scaling、数据工程、长上下文、MoE、推理与训练系统专题。</p></article>
       <article><span>✓</span><h3>Scaling Laws 深度专题</h3><p>九张账、29 个一手节点、DeepSeek/Kimi 双谱系与曲面—部署—复用—涌现四联实验。</p></article>
+      <article><span>✓</span><h3>数据工程深度专题</h3><p>十二张账、31 个一手节点、DeepSeek/Kimi 双谱系与流水线—去重—混合—改写四联实验。</p></article>
       <article><span>✓</span><h3>长上下文深度专题</h3><p>五张成本账、26 篇一手论文、10+ 机制图与 8 策略交互实验室。</p></article>
       <article><span>✓</span><h3>MoE 深度专题</h3><p>六张账、19 篇一手论文、DeepSeek/K3 主线与路由—容量—通信交互实验室。</p></article>
       <article><span>✓</span><h3>推理深度专题</h3><p>八张账、30 篇一手论文链、DeepSeek/Kimi 双主线与三页签互动实验室。</p></article>
       <article><span>✓</span><h3>训练系统深度专题</h3><p>九张账、37 个一手节点、DeepSeek/Kimi 双谱系与显存—网格—气泡—通信实验室。</p></article>
-      <article><span>✓</span><h3>182 篇关键论文索引</h3><p>覆盖 12 个专题，支持全文搜索、标签筛选与 Kimi/DeepSeek 聚光主线。</p></article>
+      <article><span>✓</span><h3>202 篇关键论文索引</h3><p>新增数据专题标签和 20 个一手节点，继续支持全文搜索与 Kimi/DeepSeek 聚光主线。</p></article>
       <article><span>✓</span><h3>公开仓库与自托管发布</h3><p>源码公开到 git.k1412.top，网站由不可变镜像、Compose Manager 与 HTTPS 交付。</p></article>
     </div>
   </section>
@@ -111,6 +113,7 @@ const workstreams = [
     <div class="queue-table">
       <div class="head"><b>优先级</b><b>专题</b><b>本轮交付</b><b>完成闸门</b></div>
       <div><span>P0</span><strong>Scaling Laws 二轮</strong><p>真实拟合复现 → 置信区间 → 更多模型族与下游任务外推</p><em>可复现实验 + 逐图笔记</em></div>
+      <div><span>P1</span><strong>数据工程二轮</strong><p>FineWeb / DCLM 逐图 → 真实去重误伤 → mixture traces 与污染案例</p><em>逐图笔记 + 案例库</em></div>
       <div><span>P1</span><strong>大规模训练系统二轮</strong><p>真实集群 traces → 故障恢复 → 精确 topology / kernel 配置</p><em>案例库 + 实测边界</em></div>
       <div><span>P1</span><strong>长上下文二轮深化</strong><p>真实模型配置 → 内核细节 → 长上下文评测与失败案例</p><em>配置比较器 + 逐图论文笔记</em></div>
       <div><span>P1</span><strong>MoE 二轮深化</strong><p>真实负载 traces → 专家特化可解释性 → 共享专家语义</p><em>案例库 + 集群证据</em></div>
@@ -157,6 +160,8 @@ const workstreams = [
       <div><time>2026-07-29</time><b>推理按八张账组织</b><p>把答案、覆盖、选择、过程、预算、优化、分布与系统证据分开核算。</p></div>
       <div><time>2026-07-29</time><b>训练系统按九张账组织</b><p>把模型状态、激活、并行、气泡、通信、专家、上下文、数值与可靠性分开核算。</p></div>
       <div><time>2026-07-29</time><b>Scaling Laws 按九张账组织</b><p>把观测量、模型、数据、算术、配比、配方、外推、经济目标与能力阶段分开核算。</p></div>
+      <div><time>2026-07-29</time><b>数据工程按十二张账组织</b><p>把来源、解析、语言、质量、唯一性、污染、混合、变换、Tokenizer、Packing、课程与价值分开核算。</p></div>
+      <div><time>2026-07-29</time><b>Grok 数据线索与正式账本永久分离</b><p>1264 行正式研究账本只接受回查一手来源后的结论；203 行 Grok 产物保留为未核验发现队列。</p></div>
     </div>
   </section>
 

src/pages/reasoning/index.astro

@@ -699,7 +699,7 @@ const paperChain = [
         <h2>不要按模型榜单读，按“旧方法留下了哪堵墙”读</h2>
         <p>
           下面 30 篇构成本专题首版主干。课程中的机制、公式与数字优先回到这些一手来源；
-          更完整的 182 篇跨专题索引位于论文库。
+          更完整的 202 篇跨专题索引位于论文库。
         </p>
         <div class="paper-chain">
           {paperChain.map(([year, title, href, note], index) => (