图书情报知识 ›› 2026, Vol. 43 ›› Issue (4): 18-27.doi: 10.13366/j.dik.2026.04.018
• 二十大精神研究阐释与践行·高质量数据集建设 • 上一篇 下一篇
丁波涛
DING Botao
摘要: [目的/意义]词元经济重塑大模型产业价值核算逻辑,传统以规模优先为核心的数据集建设模式产生显著效能悖论。本文旨在厘清词元经济下高质量数据集建设的目标变革逻辑,构建适配词元效率约束的全流程数据集建设新模式。[研究设计/方法]搭建“目标—模式”分析框架,梳理大模型全生命周期数据需求差异,剖析数据集建设各环节原有制度互补锁定效应,从数据采集、清洗、标注、评估等环节推演全链路转型方案。[结论/发现]高质量数据集建设核心目标由单纯扩充数据体量转向最大化单位词元边际价值,传统数据集各环节分工协同体系因新经济约束失衡,仅局部改良无法消解结构性矛盾,必须开展全生命周期系统性改造;高质量数据集建设需转向精准化采集、语义级清洗、语用级标注、动态化词元效率评估的新型运作体系。[创新/价值]提出以词元消耗、推理收益为核心的动态评估体系,形成覆盖数据生产至模型推理的一体化治理方案,可为政府数据标准制定、企业数据集开发、行业数据协同建设提供对策参考。