高质量数据集建设指引

随着大模型技术应用的快速发展，人工智能的研发重点正从“重 点优化模型架构”转向“模型与数据协同优化”，其中高质量数据的 作用日益凸显。

数据作为人工智能发展的三大核心要素之一，已成为 人工智能大模型训练的核心要素资源，决定了大模型的性能。加快人 工智能高质量数据集建设，夯实人工智能发展数据基础，对于推动 “人工智能+”场景落地具有重要意义。国家数据局联合各部门、各 地区，构建起“部门协同、央地联动”的工作机制，联合施策、协同 发力，积极引导做好高质量数据集建设工作，明确提出“‘人工智能 +’行动到哪里，高质量数据集的建设和推广就要到哪里”。 

由国家数据局指导，中国信息通信研究院、国家数据发展研究院、 中国电子技术标准化研究院、国家信息中心、国家发展和改革委员会 创新驱动发展中心、中国电子信息产业发展研究院等单位，在充分调 研的基础上，编制《高质量数据集建设指引》，总结高质量数据集建 设方法论，指导推进高质量数据集建设，力争为人工智能纵深发展提 供有力支撑。

在以人工智能为代表的新一轮科技革命和产业变革深入推 进的大背景下，数据正日益成为国家基础性战略资源和关键性 生产要素。高质量数据集作为人工智能发展的基础支撑，其重 要地位不断上升，成为驱动技术创新、赋能产业升级和提升治 理能力的重要抓手。当前，高质量数据集的建设正处于政策驱 动与场景牵引同步发力、协同推进的关键阶段。

人工智能技术迈入大模型时代后，研发重点从“重点优化 模型架构”转向“模型与数据协同优化” ，其中高质量数据的 作用日益凸显。主要表现在：

一是将数据视为活的资产，不再 是一次性收集、处理后就束之高阁的静态文件，而是一个需要 持续投资、管理、监控和优化的动态、演进的战略资产。

二是 用自动化的、可编程的、可扩展的数据处理流程，取代手动的、 一次性的数据处理工作，系统性处理海量数据，并能提升数据 质量。

三是整合领域专家，将拥有深厚行业知识的主题专家直 接整合到数据处理的流水线中。专家知识被用来定义数据标准、 标注复杂案例、识别数据中的细微偏差，从而将领域智慧注入 数据。

四是建立模型反馈闭环，将模型在实际应用中的错误作 为诊断信号，用来发现数据中的问题（如标签错误、数据分布 不均、边界案例缺失等），然后有针对性地改进数据集。由此 就形成了一个“数据飞轮”效应，更好的数据训练出更好的模型，更好的模型反过来帮助获得更好的数据。大模型参数规模指数级增长与多模态能力的拓展，数据需 求从“量级积累”转向“量质并重”。

例如，以 OpenAI 为代 表的国际领先科技企业正通过强化微调等技术手段，依托小规 模但高度精准、精细化、结构化的高质量数据集，实现大模型 在垂直领域的专业化和实用化演进。这种“以质取胜”的数据 策略显著提升了模型性能与落地能力。而 DeepSeek 模型在复杂 逻辑推理任务中取得突破性进展，源于其 R1 模型采用的数学 推理数据集，不仅要求答案正确性，更对解题步骤的规范性、 逻辑链的完整性提出严格标准，这种精细化的数据设计使得模 型在抽象思维能力上实现质的提升。

免费下载PDF文件，请点击以下小程序，搜索：数据集