训练数据集
视觉、语音、文本、大模型和具身智能,按模态查看可合作方向。
了解详情面向大模型、具身智能、语音与视觉团队,提供训练数据采集、标注和评测集建设。按你的字段和标注规则先试标,确认后再放量;每批按比例抽检,随包附交付说明。
// 字段按客户 schema 定义 { "id": "sft_zh_000142", "task": "multi_turn_dialog", "domain": "customer_service", "turns": 4, "split": "train", "guideline": "v1.4", "annotator": "A-17", "reviewer": "R-03" }
场景、数量、字段、语种和验收比例,开工前写成文档。
先交一小批给你评审,规则确认后再放量。
按书面规范生产,每一批都可追踪。
自检后按比例抽检,不合格退回当批返修。
数量、设备和标注粒度按项目约定,这里列出的是可合作的方向。
第一视角操作视频、手物交互和遥操作记录,画面与动作按时间对齐。
指令、多轮对话、图文描述和视频说明,训练集与评测集分开构建。
检测、分割、关键点标注,覆盖人脸、人体和道路场景。
朗读、对话、命令词和带噪录音,附逐句转写和说话人信息。
按音色和脚本录制,语音与文本逐句对齐,录音条件写进说明。
文档、卡证、票据和场景文字,包含文字框与转写结果。
词条与拼音或音标对照,多音与变读分开标注,并配真人录音。
意图、实体、分类标签和平行句对,类别体系可按业务定制。
没有匹配的数据方向。
数据问题最终都会体现在模型效果上。影响训练的每个环节,我们都尽量做成你能检查、能回溯的东西。
场景、数量、格式和验收标准在开工前写成文档。标签含义、边界和反例随交付包一起给,规则变更有据可查。
自检之后按比例抽检,不合格整批退回并写明原因。错误按类型统计,方便你判断是数据问题还是规则问题。
人脸、声纹、医疗等材料先确认授权再处理,授权范围写进项目文件,方便你的法务和合规团队审查。
预训练、微调和评测材料分开存放、分开说明。评测题单独划出,不混进训练集,结论才可信。
告诉我们场景、数据量、交付格式和验收标准,沟通后给出试标方案和报价。