BAT 集体重做「AI 预训练」，补「脏数据」的坑

最近大半年，国内一批 AI 模型厂商****密集启动“预训练返工”，起因都指向同一件事：数据不行。 它们中，有的此前花了一年死磕万亿参数模型，落地表现却被市面上 1% 规模的小模型倒挂，最终查出是被脏数据拖了后腿。有的曾因数据标注规则模糊、评测集污染、垃圾语料冗余等工程硬伤而导致模型进展迟缓。还有的因数据受限，导致模型遭遇性能瓶颈，索性推倒重来，并重建了数据团队。与此同时，借 API 中转站截留交互轨迹、做数据蒸馏等，也成了行业水面下的一场暗战。数据，正在给模型厂商上一堂教训深刻的课。这堂课远比算力消耗、架构选型和人才争夺更隐蔽。“AI 下半场的胜负手是数据”，这话听上去像常识，但直到今天，大家才真正闻到了它背后的血腥味。一位头部基模公司的数据专家赵翔向雷峰网回忆，前些年刚开始做预训练的时候，大家的主流观点是“数据多就可以了，稍微差一点没关系，模型自己有转化能力和鲁棒性。”再加上，当时行业普遍缺乏成熟的大规模数据治理体系，大家为了凑齐数千亿甚至上万亿 token 的语料库，抓取了大量网页垃圾、脏语料，甚至混入了各种来源不明的清洗包。很多数据的标注和筛选也没有处理好，导致训练出来的第一版模型效果较差。然后大家才发现，不注重数据质量，会让模型卡在 60、70 分上不去 ，“眼看海外的模型都跑到 90 分了，就是追不上。”于是不得不回过头来重做数据优化。“底层脏数据的危害远比想象的大。它会让你投入的卡、钱、人力都浪费掉，而且还会耽误你的时间窗口。 ”某模型厂商前高管、现 AI 创业者王斌告诉雷峰网。他向雷峰网(公众号：雷峰网)描述过一个典型案例。一家中部基模公司，把爬来的技术博客整批灌进预训练语料，跑到训练中期才发现，其中相当部分是采集站的机器生成页，同一个段落被重复了几万次。模型在评测集上开始莫名其妙地复读，等团队定位到问题，几万卡时已经烧掉了，那一版只能作废重来。事实上，这样的翻车在行业里远不止一例。不少团队都是训练效果出了问题后，才回过头来补数据治理的课。基元律动创始人王云鹤也曾在接受媒体采访时提到过，AI 没有什么新鲜事，数据是地基，数据不行，不要怪算力；数据不达标，什么算法都不行，因为这违背机器学习理论。而且他还特别提到一点，数据团队要对预训练团队有一定话语权，预训练团队也要反向对数据提要求。独立考核会很乱。其实，对数据团队的考核不当，是不少模型厂商都踩过的一个坑。 比如，有媒体曾描述过，腾讯混元团队曾在数据治理上，出现过“标注规则定义不清，但验收线设定过高，团队为了交差，生产出大批无法使用的数据”的情况；再加上一些打榜数据、冗余数据的污染，以至于最后不得不推倒重来，专门重拉团队从头清洗数据。“数据团队的考核只看数据量的话，会很荒谬。”前述数据专家赵翔补充道。因为大模型拼的是数据的信息密度和干净程度，而非绝对体积。考核只盯数量，等于在鼓励团队拿垃圾凑数。几百 T 的脏数据灌进去，训出来的模型反而会变笨，甚至训练崩溃。本地生活、社交、游戏、电商与搜索，这些在互联网时代被各家大厂视作“壁垒”的场景数据，到了 AI 时代，不奏效了。因为基模比的是通用能力，某一场景数据的优势，落到通用能力上，影响变得有限。各家虽然都在拿自己的场景数据训一些垂直小模型，但最终应用面没那么广。“按理说 Google 各类场景数据最多，应该做得最好，但显然并不是。Anthropic、OpenAI 这类此前在数据上零积累的厂商反而冲得更猛，国内亦然。”一位基模公司的算法负责人徐栋告诉雷峰网。这时候，能拉开差距的是：卡够不够，数据拿得快不快，质量够不够高，以及有没有一条能把数据稳定转化成模型能力的管线。前述数据专家赵翔向雷峰网坦言，技巧秘方其实不多。数据工作更偏苦活累活，重要的是持续做下去，投入足够的人力和定力，把原来 60 分的数据，逐步优化到 90 分，争取每次优化之后都能拿到一点正反馈。“网上那么多数据，不可能每条都校验一遍。训练又有周期，不能等数据全部优化完再开训。所以要先挑重要的做，分期做，小步快跑，不断迭代。”赵翔补充道。不过，需要说明的是，数据的难题并不只出在预训练。后训练要的专家数据、Agent 长程轨迹数据，获取难度和成本也都不低。多位 AI 数据从业者告诉雷峰网，眼下卡住各家数据工作的，主要有两个因素：钱和产能。 一个反直觉的地方在于：大厂看起来都不差钱，但预算拆开，分摊到数据上的其实并不多。“数据在模型厂商的训练预算里占比并不大。业内流传的一个粗略拆解是：每投 100 块钱在 AI 训练上，其中 40 块花在算力上，30 块花在人才上，20 块花在打广告上，剩下 10 块钱花在数据上。”某 AI 数据供应商业务负责人周骏表示。以专家数据为例，周骏告诉雷峰网，专家的长程任务数据需求量极大，几家大厂的预算口径基本都是几个亿，但真到付款时，就比较抠搜。“同样的专家数据，美国 HLE 调研一条起价一两万美金，国内基本只给开一两千人民币。”高质量数据从来都是稀缺的。正规渠道供不够，各家就开始自找门路。周骏告诉雷峰网，某些模型厂商会隐蔽地做中转站生意，做 Token 转发。一方面有收益，但更重要的是，可以借此收集大量用户行为数据。用户调用各种先进模型时，请求和结果都要从这家厂商的转发层走一遍，于是真实的任务数据就被留在了平台上，这比公开爬来的语料更接近训练想要的有效样本。眼下还有一批做 Routing（模型路由）的创业公司，也在盯着“数据”这块资产；而各家大厂也有类似的路由平台，但由于优先接自家模型，很难沉淀到其他先进模型的轨迹数据，而且由于模型接入不够全面，平台本身用户量也有限。“这几年，各家在获取AI数据上可谓八仙过海，但这些门路能让一家公司领先多久，并不好说。”周骏补充道。业内有一种声音认为，大模型本身没有护城河，真正的护城河更多在于“数据飞轮”：模型越强，越多用户愿意拿它处理高难度任务，回流的高质量数据就越多，这些数据再喂回去，模型又强出一截。这套逻辑听上去闭环。但到今天为止，真正把“数据飞轮”转起来的没几家。 除了前面提到的“预算受限”、“外部高质量数据获取难”外，还有一层原因在公司内部。大厂自己的AI产品每天都在产生用户行为，可这些数据能不能规模化地回到训练环节，取决于中间那条通路有没有修好。一处是组织调整还在持续进行中，各部门之间数据墙的破除还在艰难推进中；另一处是数据类人才的匮乏。多位 AI 猎头告诉雷峰网，目前市场上比较缺数据清洗、数据管道搭建、数据工程、数据研究等岗位。这些岗位过去被划在辅助工种里，行情真正起来，也是最近的事。此外，更重要的是，国内模型厂商还面临内生数据匮乏的问题。眼下，长程轨迹数据主要出自 AI Coding 和 AI 办公这两个场景：但前者市场份额的一大块被海外模型 Claude、Codex 占去；后者的产品能力目前处于初级阶段，所能覆盖的工作场景与复杂度有限，沉淀下来的轨迹数据还较为单薄。这话大体没错，但大家可能低估了这场仗的周期和复杂度。预训练返工只是第一波阵痛。数据治理、数据获取、数据飞轮，每一块都是硬骨头。算力可以买，人才可以挖，但高质量数据的积累没有捷径，它需要时间、定力和组织层面的系统性投入。多位业内人士向雷峰网坦言，未来一两年内，行业很可能还会看到更多“推倒重来”的案例。这不是某一家的问题，而是整个行业都在补课。真正的分野，大概要等到这轮数据基建基本完成后，才能看得更清楚。谁能先把那条从用户行为到模型训练的数据通路修通，谁就有机会在下一阶段跑出来。雷峰网后续将持续推出 AI 数据相关的深度观察。对这一话题感兴趣、或想聊聊业内实况的朋友，欢迎添加下方作者交流、探讨。

雷峰网原创文章，未经授权禁止转载。详情见转载须知。

最近大半年，国内一批 AI 模型厂商****密集启动“预训练返工”，起因都指向同一件事：数据不行。 它们中，有的此前花了一年死磕万亿参数模型，落地表现却被市面上 1% 规模的小模型倒挂，最终查出是被脏数据拖了后腿。有的曾因数据标注规则模糊、评测集污染、垃圾语料冗余等工程硬伤而导致模型进展迟缓。还有的因数据受限，导致模型遭遇性能瓶颈，索性推倒重来，并重建了数据团队。与此同时，借 API 中转站截留交互轨迹、做数据蒸馏等，也成了行业水面下的一场暗战。数据，正在给模型厂商上一堂教训深刻的课。这堂课远比算力消耗、架构选型和人才争夺更隐蔽。“AI 下半场的胜负手是数据”，这话听上去像常识，但直到今天，大家才真正闻到了它背后的血腥味。一位头部基模公司的数据专家赵翔向雷峰网回忆，前些年刚开始做预训练的时候，大家的主流观点是“数据多就可以了，稍微差一点没关系，模型自己有转化能力和鲁棒性。”再加上，当时行业普遍缺乏成熟的大规模数据治理体系，大家为了凑齐数千亿甚至上万亿 token 的语料库，抓取了大量网页垃圾、脏语料，甚至混入了各种来源不明的清洗包。很多数据的标注和筛选也没有处理好，导致训练出来的第一版模型效果较差。然后大家才发现，不注重数据质量，会让模型卡在 60、70 分上不去 ，“眼看海外的模型都跑到 90 分了，就是追不上。”于是不得不回过头来重做数据优化。“底层脏数据的危害远比想象的大。它会让你投入的卡、钱、人力都浪费掉，而且还会耽误你的时间窗口。 ”某模型厂商前高管、现 AI 创业者王斌告诉雷峰网。他向雷峰网(公众号：雷峰网)描述过一个典型案例。一家中部基模公司，把爬来的技术博客整批灌进预训练语料，跑到训练中期才发现，其中相当部分是采集站的机器生成页，同一个段落被重复了几万次。模型在评测集上开始莫名其妙地复读，等团队定位到问题，几万卡时已经烧掉了，那一版只能作废重来。事实上，这样的翻车在行业里远不止一例。不少团队都是训练效果出了问题后，才回过头来补数据治理的课。基元律动创始人王云鹤也曾在接受媒体采访时提到过，AI 没有什么新鲜事，数据是地基，数据不行，不要怪算力；数据不达标，什么算法都不行，因为这违背机器学习理论。而且他还特别提到一点，数据团队要对预训练团队有一定话语权，预训练团队也要反向对数据提要求。独立考核会很乱。其实，对数据团队的考核不当，是不少模型厂商都踩过的一个坑。 比如，有媒体曾描述过，腾讯混元团队曾在数据治理上，出现过“标注规则定义不清，但验收线设定过高，团队为了交差，生产出大批无法使用的数据”的情况；再加上一些打榜数据、冗余数据的污染，以至于最后不得不推倒重来，专门重拉团队从头清洗数据。“数据团队的考核只看数据量的话，会很荒谬。”前述数据专家赵翔补充道。因为大模型拼的是数据的信息密度和干净程度，而非绝对体积。考核只盯数量，等于在鼓励团队拿垃圾凑数。几百 T 的脏数据灌进去，训出来的模型反而会变笨，甚至训练崩溃。本地生活、社交、游戏、电商与搜索，这些在互联网时代被各家大厂视作“壁垒”的场景数据，到了 AI 时代，不奏效了。因为基模比的是通用能力，某一场景数据的优势，落到通用能力上，影响变得有限。各家虽然都在拿自己的场景数据训一些垂直小模型，但最终应用面没那么广。“按理说 Google 各类场景数据最多，应该做得最好，但显然并不是。Anthropic、OpenAI 这类此前在数据上零积累的厂商反而冲得更猛，国内亦然。”一位基模公司的算法负责人徐栋告诉雷峰网。这时候，能拉开差距的是：卡够不够，数据拿得快不快，质量够不够高，以及有没有一条能把数据稳定转化成模型能力的管线。前述数据专家赵翔向雷峰网坦言，技巧秘方其实不多。数据工作更偏苦活累活，重要的是持续做下去，投入足够的人力和定力，把原来 60 分的数据，逐步优化到 90 分，争取每次优化之后都能拿到一点正反馈。“网上那么多数据，不可能每条都校验一遍。训练又有周期，不能等数据全部优化完再开训。所以要先挑重要的做，分期做，小步快跑，不断迭代。”赵翔补充道。不过，需要说明的是，数据的难题并不只出在预训练。后训练要的专家数据、Agent 长程轨迹数据，获取难度和成本也都不低。多位 AI 数据从业者告诉雷峰网，眼下卡住各家数据工作的，主要有两个因素：钱和产能。 一个反直觉的地方在于：大厂看起来都不差钱，但预算拆开，分摊到数据上的其实并不多。“数据在模型厂商的训练预算里占比并不大。业内流传的一个粗略拆解是：每投 100 块钱在 AI 训练上，其中 40 块花在算力上，30 块花在人才上，20 块花在打广告上，剩下 10 块钱花在数据上。”某 AI 数据供应商业务负责人周骏表示。以专家数据为例，周骏告诉雷峰网，专家的长程任务数据需求量极大，几家大厂的预算口径基本都是几个亿，但真到付款时，就比较抠搜。“同样的专家数据，美国 HLE 调研一条起价一两万美金，国内基本只给开一两千人民币。”高质量数据从来都是稀缺的。正规渠道供不够，各家就开始自找门路。周骏告诉雷峰网，某些模型厂商会隐蔽地做中转站生意，做 Token 转发。一方面有收益，但更重要的是，可以借此收集大量用户行为数据。用户调用各种先进模型时，请求和结果都要从这家厂商的转发层走一遍，于是真实的任务数据就被留在了平台上，这比公开爬来的语料更接近训练想要的有效样本。眼下还有一批做 Routing（模型路由）的创业公司，也在盯着“数据”这块资产；而各家大厂也有类似的路由平台，但由于优先接自家模型，很难沉淀到其他先进模型的轨迹数据，而且由于模型接入不够全面，平台本身用户量也有限。“这几年，各家在获取AI数据上可谓八仙过海，但这些门路能让一家公司领先多久，并不好说。”周骏补充道。业内有一种声音认为，大模型本身没有护城河，真正的护城河更多在于“数据飞轮”：模型越强，越多用户愿意拿它处理高难度任务，回流的高质量数据就越多，这些数据再喂回去，模型又强出一截。这套逻辑听上去闭环。但到今天为止，真正把“数据飞轮”转起来的没几家。 除了前面提到的“预算受限”、“外部高质量数据获取难”外，还有一层原因在公司内部。大厂自己的AI产品每天都在产生用户行为，可这些数据能不能规模化地回到训练环节，取决于中间那条通路有没有修好。一处是组织调整还在持续进行中，各部门之间数据墙的破除还在艰难推进中；另一处是数据类人才的匮乏。多位 AI 猎头告诉雷峰网，目前市场上比较缺数据清洗、数据管道搭建、数据工程、数据研究等岗位。这些岗位过去被划在辅助工种里，行情真正起来，也是最近的事。此外，更重要的是，国内模型厂商还面临内生数据匮乏的问题。眼下，长程轨迹数据主要出自 AI Coding 和 AI 办公这两个场景：但前者市场份额的一大块被海外模型 Claude、Codex 占去；后者的产品能力目前处于初级阶段，所能覆盖的工作场景与复杂度有限，沉淀下来的轨迹数据还较为单薄。这话大体没错，但大家可能低估了这场仗的周期和复杂度。预训练返工只是第一波阵痛。数据治理、数据获取、数据飞轮，每一块都是硬骨头。算力可以买，人才可以挖，但高质量数据的积累没有捷径，它需要时间、定力和组织层面的系统性投入。多位业内人士向雷峰网坦言，未来一两年内，行业很可能还会看到更多“推倒重来”的案例。这不是某一家的问题，而是整个行业都在补课。真正的分野，大概要等到这轮数据基建基本完成后，才能看得更清楚。谁能先把那条从用户行为到模型训练的数据通路修通，谁就有机会在下一阶段跑出来。雷峰网后续将持续推出 AI 数据相关的深度观察。对这一话题感兴趣、或想聊聊业内实况的朋友，欢迎添加下方作者交流、探讨。

雷峰网原创文章，未经授权禁止转载。详情见转载须知。