DAC 2026·厦门现场｜刘毅老师：用Token检验Token，一份数据集的真实成本

刘毅老师给出核心公式：

λ=T_eval/T_data=验证词元量/数据词元量

其中：

T_data（数据词元量）=样本数N×每样本词元数L。

T_eval（验证词元量）=T_data×E×K。

E（训练轮数）默认100，

K（实验组数）默认3档规模×各重复3次=9。

推导三行，N与L被完全约掉，

结论：λ ≈ E × K，

与数据规模无关，只随验证协议走。

默认口径E=100、K=9，则λ=900。

量级落在10²~10³——验证代价是数据自身的成百上千倍。

刘毅老师用“税”来命名这一概念：税基×税率=税额。其特征有三：

恒定：E×K由协议决定，与数据集大小无关，跨数据集可比；

随规模增长：税基越大交越多，大数据集验证天然更贵；

可规避：好数据收敛快→E变小，λ从900降到270，是质量的投资回报。

刘毅老师将《高质量数据集质量评测规范》三维度17项指标翻译成词元语言，发现三个关键观察：

σ是总闸门：数据质量维度8项指标全部随抽样率σ线性缩放，σ砍一半，账单砍一半——这是第一个、也是最好用的成本开关；

零词元是第一刀：格式规范性、结构完整性用脚本即可，认出哪些维度不用模型，是降本第一步；

多样性是长尾账：样本量由数据尾部决定，可用embedding/minhash/LSH零词元完成，不是“必须烧大钱”，而是“最容易被漏算、但有零词元解法”。

刘毅老师分享了三个真实案例：

案例一·无人车巡检数据集：40万张场景图像，总词元≈30.84亿，其中0305模型适配性训练占99.62%。数据侧智能化封装1.3卡时，模型侧基线验证训练59卡时，约45倍倒挂。去重的ROI极高：只要冗余率超过2.3%，先去重永远划算。

案例二·XX制造工业数据集：150TB工业数据，词元密度差异大、有效词元极度长尾、人为制造高价值词元三大挑战。

案例三·某人民医院前列腺MRI评测：633例、29,970个DICOM文件、9.16GB，总词元约1.74亿，0305模型适配性占99.4%。与无人车项目对比，约18倍差样本量决定量级差异。

刘毅老师提出一套可落地的商业闭环：

探测定价（试跑）：先抽一成数据试跑30轮，测出约42轮收敛，试跑成本只占全量测评的3%；

封顶包干：按100轮报价写死，实际42轮收敛只收24.8卡时——只少不多，绝不多收；

效率披露（出证明）：把“42轮就收敛”写进测评报告，不只是成本数字，更是数据质量的硬证据，入表时撑高质量、撑估值。

“旧尺子量的是税基，量不出税率——只量税基，成本会被低估两个数量级。”

“λ是验证协议的属性，不是数据集的属性——换协议才换税率，换规模不换。”

“高质量数据让E变小：规模改变不了λ，质量可以。”

精彩回顾

2026DAC全球数据资产大会

本届大会开幕式上，DAC围绕词元经济完成了从顶层设计到生态协同的系统布局：

首先，通过《2026全球词元经济发展报告》发布，为词元经济提供理论框架与方向指引；其次，DAC词元运营中心揭牌，将理论落地为标准化运营职能，承担标准制定、质量评估、权益确权、交易撮合、结算清算等；再次，“词场——AI词元聚合服务平台”上线，以技术平台聚合算力、数据、模型、智能体等全品类AI资源，提供一站式交易结算服务；最后，“厦门模数共振人工智能应用服务团”成立，联合高颂数科、航天思尔特、集发智能、赛西、高新人才、福建天珪、厦门市质检院、厦门云大物智数据研究院、央迈等单位，形成产业协同生态。

这一系列动作，形成了“报告定方向—中心做运营—平台聚资源—服务团促协同”的DAC词元经济布局。