GENERATIVE AI DATA
生成式AI需要哪些数据标注？任务类型与质量边界
生成式AI的数据工作不仅包括传统分类和实体标注，还包括指令与回答构造、候选回答比较、安全边界测试、检索语料处理和评测集建设。每类任务服务于不同目标，需要单独设计规则、样例、复核和版本。
内容更新：2026-09-04标注对象从“给数据贴标签”扩展为“给模型建立可学习、可评价的行为依据”
项目应先明确训练、对齐、检索还是评测用途，再决定样本结构和质量口径。大模型生成内容可以辅助生产，但不应未经核验直接成为高质量答案。
TASK TYPES
五类常见任务对应不同标注目标
SFT
指令与回答
围绕任务说明构造输入和期望输出，检查事实、逻辑、格式与完整性。PREFERENCE
偏好比较
按明确量规对多个候选回答排序或评分，并记录判断理由。SAFETY
安全与红队评测
构造边界和对抗样本，判断风险类别、严重程度与合适响应。RAG
检索语料处理
完成清洗、切分、标题、标签、权限、有效期和引用位置标记。EVALUATION
评测集建设
建立问题、基准答案、评分规则、失败类别和复核证据。MULTIMODAL
多模态理解
处理图像、音频、视频与文本之间的描述、定位、问答和关系。QUALITY DESIGN
质量规则应说明“为什么这样判断”
质量维度
检查问题
常见方法
事实性
回答是否由可靠材料支持，是否混入无法核实的信息？
来源引用、事实核查、专业复核。
任务符合
输出是否真正完成指令，并符合格式、语气和范围？
任务量规、正反例、结构校验。
一致性
不同标注人员对同类问题是否使用相同标准？
试标校准、双人复核、争议仲裁。
安全性
是否识别隐私、违法、有害或高风险指导？
风险分类、升级审核、拒答边界。
偏好不是个人喜好：排序或评分需要可观察的量规，例如正确、相关、完整、清晰和安全，并允许“不确定”进入专家复核。
HUMAN IN THE LOOP
自动预标提高效率，人工审核守住适用边界
模型可以辅助生成候选答案、发现格式问题或推荐标签，但最终样本应根据任务风险设置人工审核。低置信、规则冲突、专业知识、高风险决策和敏感内容进入更高等级复核，并记录模型版本、提示、修改和审核结论。
DATA BOUNDARY
训练用途不自动继承原始数据的使用权限
需要确认来源、授权、处理目的、个人信息、商业秘密、版权、访问角色、保存期限和衍生数据使用范围。涉及客户资料或内部知识库时，应实施最小必要、权限隔离、脱敏、导出控制和到期处置。
DELIVERY
交付应同时包含数据、规则和质量证据
典型成果可包括数据文件、任务说明、标注规范、正反例、人员与权限记录、批次与版本、抽检和一致性报告、争议清单、敏感信息处理记录及已知限制。
结论：生成式AI数据标注的核心是任务量规、人工复核与版本治理
瑞铭安普可结合模型用途和数据条件，协助梳理任务类型、规范、生产、质检与交付方案。具体质量阈值、数据权限和可用性需通过样本验证及项目约定确认。电话沟通：010-82170503。