高质量数据集建设已超越简单的“规模堆砌”，演进为一种动态的“闭环迭代生态系统”。中国信通院这份报告系统梳理了高质量数据集建设的完整方法论：从模型需求拆解到四类数据源组合，从标准化标注流程到“过程检查+结果验收”质量保障机制，再到基于模型反馈的数据增强优化。百度标注效率提升50%、英伟达合成数据模拟极端天气、AlphaFold覆盖98.5%蛋白质结构——这些标杆案例背后，是一套可复制的数据工程方法论。
数据集设计与构建——从需求拆解到质量保障
需求拆解——将模型需求转化为数据指标
数据设计首先要将抽象的模型需求拆解为具体的数据指标，实现“需求可量化、指标可落地”。需求拆解应从“模型类型、能力基线、场景范围”三方面开展工作。通用语言模型的预训练数据设计应聚焦“语义覆盖度、语法多样性、语域全面性”；专业领域语言模型需增加“行业术语密度、专业场景占比”专项指标。
多维度数据供给体系——四类来源的组合策略
数据来源规划要充分考虑“多样性、可靠性、合规性”三方面因素，建立“公开数据集、自有业务数据、第三方采购数据、主动采集数据”四类来源的多元化供给体系。构建通用预训练集时可采用“公开数据集为主、自有数据为辅”的方式；构建专业领域预训练集时，应采用“自有数据为主、第三方数据与主动采集为辅”的方法。
标准化数据标注流程——格式化与特征统一
数据处理标准化主要实现数据格式化、数据特征统一——所有文本采用相同编码方式及长度、所有图像具有统一分辨率、所有音频具有统一采样率。针对文本数据需重点解决语法错误、语义重复问题；针对图片数据需解决分辨率不足、照明差异问题；针对音频数据需去除背景噪声、音量不均问题。
全流程数据质量保障——“过程检查+结果验收”
人工智能数据集质量管理是数据设计和构建过程中的“最后防线”。过程检查侧重于各个数据处理关键点，在清洗、去噪、标准化步骤结束后分别开展质量抽检；结果验收对整体数据集进行全面质量验收，按照制定最终验收质量指标进行分项打分和问题筛查。通过建立“过程检查+结果验收”全链条机制，以验收标准倒逼数据预处理各阶段完成质量任务。
数据集质量评估——可信AI评估体系2.0
2025年12月，中国信通院迭代发布“动静结合”的可信AI人工智能数据集质量评估体系2.0，覆盖评估标准、评估指标、评估工具、评估方案四大核心维度。
评估标准包括国家标准《高质量数据集质量评测规范》和工信部人工智能行业标准《面向人工智能的数据集质量通用评估方法总体要求》。评估指标涵盖说明文档质量、前置数据质量、模型应用质量三大核心评估维度，覆盖文本、图像、音频、视频、多模态、结构化数据、传感器数据、时间序列等多种数据模态。评估工具采用分层随机抽样+自动化评估+人工辅助校核的方式。评估方案通过全量指标迭代、专属指标筛选、侧重权重设计、算子规则匹配实现定制化测试服务。
数据增强与优化——闭环体系的“价值升华”
数据增强与优化构成了模数共振体系的“价值升华闭环”，其本质是基于模型基准测试与真实场景反馈，对数据集构建全流程进行的逆向重构与系统性迭代。
精准靶向优化——三个维度的分层策略
“精准靶向”是数据优化的核心法则，依据基准测试暴露的模型短板分为三个维度：数据质量修复（清洗噪声数据、修正错误标注，提升信噪比与准确性）、数据结构调整（通过重采样或长尾场景挖掘，优化类别分布与特征空间覆盖度）、数据内容补充（利用合成数据生成或跨域数据融合，填补关键场景知识盲区）。
规则迭代与长效保障——从“治标”到“治本”
数据优化应推动全流程数据处理规则的“迭代升级”。遵循“问题追溯—规则分析—标准迭代”的逻辑闭环，将单次优化中发现的共性问题转化为通用的处理标准。建立“监测—评估—优化—验证”的自动化闭环，确保数据集能够持续新陈代谢，始终保持对模型训练与应用的高效支撑能力。
