2025高质量数据集实践指南（1.0）

高质量数据集概念与问题

• 发展背景：人工智能技术迈向大模型时代，数据成为驱动模型能力跃迁与产业智能化升级的战略资源。高质量数据集成为人工智能发展的关键要素，但产业界面临场景数据供给不足、建设路径模糊、标准规范缺失、技术工具需提升、数据价值难以释放等挑战。
• 概念内涵：高质量数据集是经过采集、加工等数据处理，可直接用于开发和训练人工智能模型，能有效提升模型性能的数据的集合。从数据集的概念、分类、高质量的内涵三方面深入阐述高质量数据集的概念内涵。
• 关键问题：高质量场景数据集存在较大供需缺口，建设路径缺乏实践指引。

高质量数据集建设路径

• 建设模式：存在“场景驱动”和“数据驱动”两种典型模式，分别以业务需求或场景为起点和以已积累的大量、多源异构数据为基础进行建设。
• 核心环节：研发管理、交付管理、运维管理、运营管理，覆盖数据集全生命周期的建设方法论。
• 成效评估：从组织管理、技术服务、数据安全、标准规范、运营管理、生态建设六大能力域进行能力拆解，将能力成熟度划分为初始级（1级）、可控级（2级）、规范级（3级）、优秀级（4级）、卓越级（5级）共5个等级。

高质量数据集应用场景

• 场景概述：高质量数据集应用当前在工业制造、医疗卫生、交通运输领域较为集中，其次，低空经济、具身智能等创新应用也因产业发展驱动陆续涌现。
• 实践案例：介绍了紧固件失效案例数据集、医疗健康数据集、交通基础设施多模态三维构件数据集、低空经济场景数据集、视联网应急管理数据集、民航旅客流量预测模型的数据集、金融思维链推理数据集、自动驾驶数据集等实践案例。

高质量数据集发展趋势

• 建设运营能力逐步成熟：数据开发、标注和评估工具的不断完善，大模型等智能化技术的加速发展，高质量数据集建设过程的数据标注、分类分级、质量评估的效率与效果将显著提升。
• 多行业多场景加速落地：高质量数据集将加速赋能工业、交通、金融、能源等行业，以及低空经济、具身智能等创新领域。
• 基础设施推动协同生态：可信数据空间等数据基础设施的落地，将推动形成高质量数据集协同生态，吸引更多数据提供方与服务方加入，推动高质量数据集与各行业的深度融合。