行业大模型语料库建设与治理

姚前

大模型语料是指用于训练和评估大模型的一系列文本、语音或其他模态的数据。语料规模和质量对大模型性能以及应用的深度、广度有着至关重要的影响。当前行业大模型训练语料存在覆盖面不全、准确性不足、时效性不够等问题，导致大模型通常难以达到预期目标。实践经验表明，即使模型参数量级有所下降，只要数据语料质量足够高，其表现依然不俗。

为进一步提升大模型在行业的应用范围和应用成效，需统筹行业力量搭建社区平台，拓宽语料来源，构建语料标准规范，开展语料治理，保障语料安全，为大模型训练及应用提供满足业务场景需求，具备行业特性和标准化的高质量语料。

语料的范围

行业大模型语料是指用于训练垂直领域大模型的数据集，通常包含自然科学、社会科学等通用语料和行业专用语料。以证券期货行业为例，行业专用语料包括财经新闻、财务报告、法规文件、公开的交易数据等。通过收集和整理语料，可以训练大模型理解和生成行业特定概念和知识，支持行业分析、预测和辅助决策等智能任务。

（一）通用语料

引入百科、书籍等通用语料，可使大模型在执行行业特定任务时，减少对专业术语误解的风险（如专业术语的非专业用法、术语的双关语、与特定行业无关的上下文等），并且在面对跨领域的查询或交流时，能提供更为准确和自然的响应。

（二）行业专用语料

引入行业专用语料，旨在丰富大模型对于行业特有词汇、表达方式以及特定知识的理解，使模型能够针对性地处理行业相关的复杂查询，执行精准的数据分析，以及更有效地支持辅助决策。此外，基于行业专用语料训练的大模型在进行风险评估、预测、合规性检查等任务时，能展现出更高的可靠性和适用性。

语料库现状

通常行业管理部门、经营机构以及信息技术服务商都会建设自身语料库。一方面满足行业知识整理、业务研究、合规风控等自身需求，另一方面可进一步加工成全新的数据资产、研究报告等，对外进行服务。不同的机构在语料库建设方面的现状以及面临的问题均有所不同，且呈现出自身的特点。

（一）行业管理部门

管理部门在构建语料库的工作中，挑战主要在于数据集的规范和数据标准化，这是知识整理的基础。其语料库建设存在以下问题：1.数据分散：许多重要的数据散落在各业务系统中，重要信息和专家经验无法得到有效沉淀，数据共享存在壁垒。2.数据异构：日常积累的大量文本数据，来自于不同的部门和层级，格式、结构和内容不尽相同。3.数据敏感：管理部门数据通常涉及大量敏感信息，在处理和存储过程中必须确保安全合规。

（二）行业经营机构

经营机构语料库涉及海量的结构化及非结构化数据，挑战主要在于如何深度挖掘，以支持决策分析和客户服务。其语料库建设存在以下问题：1.处理难度大：来源于多渠道的经营和交易数据，格式、标准均不相同且模态多样，难以有效整合。2.加工深度浅：经营机构的语料库建设仅停留在表层信息，尚不涉及深层的语义理解和深度分析。3.隐私保护难：大模型语料涉及商业秘密及客户敏感信息，在训练和使用过程中经营机构须做好合规风控。

（三）信息技术服务商

信息技术服务商擅长整合通用语料，在配合构建行业语料库时面临的主要挑战是专业能力和服务质量。1.专业能力：信息技术服务商对行业语料的分类、分析和解读需要行业知识，其专业能力严重影响语料库的应用价值。2.服务质量：行业语料库建设是一项持续迭代的工作，需要信息技术服务商提供长期的高质量服务。

此外，合成数据也是大模型训练重要数据来源，在降低成本、提升数据质量、规避隐私问题等方面具有优势。如何探索行业数据合成的有效路径，是行业语料库建设的重大课题。

语料库的必要性

行业语料库的构建与治理对于发展行业大模型，激活数据要素价值尤为关键。一个结构良好、内容优质、管理规范的语料库可以为行业参与者提供具备深度洞察力的知识库，促进行业数字化转型和高质量发展。具备公信力的语料库需要行业共建共享，客观上助推行业语料社区的建设和公共服务的发展。

（一）高质量的语料库是行业大模型落地等创新的基础

语料决定了模型的训练质量、性能表现以及应用领域的广度与深度。语料库建设除了考虑质量维度，还需关注开放程度。建设统一、开放、标准的行业大模型语料库，有利于提高行业语料的利用效率和价值，促进行业大模型的训练开发，加速大模型的落地应用。

（二）高质量的语料库是行业数字化转型的重要抓手

高质量语料应具备大规模、多样性、真实性、连贯性、合法性和无偏见等特点。目前行业高质量语料相对缺乏，推动其建设是实现信息化向数字化、智能化转型的重要之举。

（三）高质量的语料库是激活数据要素价值，破除数据壁垒的有效手段

大模型语料通常需要跨机构、宽口径数据，可能会涉及数据安全、隐私保护、知识产权等问题。可探索第三方数据托管等方式，以激活数据要素价值，有效解决跨机构数据共享问题。

建设思路

建设具备公信力的行业大模型语料库是一项长期性、专业性的系统性工程，涵盖基础设施、公共服务平台、行业规范标准、激励机制等方面。在建设方法、实现路径上需形成合力，多措并举，久久为功（见图）。

图：行业大模型语料库建设参考架构

资料来源：作者整理

（一）充分借鉴通用语料库的成果和经验

国际通用语料库，如国外的The Pile、C4、Wikipedia（维基百科）等数据集，以及国内的“书生·万卷”多模态预训练语料、中国网络空间安全协会发布的中文通用语料，都可作为建设行业大模型语料库的基础。为了扩大通用语料库资源，要兼顾自立自强和对外开放，可考虑对Wikipedia、Reddit（美国娱乐、社交及新闻网站）等特定数据源建立过滤后的境内镜像站点，供国内数据处理者使用。

（二）聚焦语料的供给、托管、加工、安全与评测

实践经验表明，基于行业语料库，重新训练通用大模型，通用语料和专业语料规模配比通常约为1：1。因此，融合汇聚行业专用语料，加大语料供给，是行业大模型建设的前提。

一种有效思路是建设数据社区，探索基于可信机构或基于可信技术的平台，为数据主体提供托管服务。行业机构可利用托管数据，基于行业大模型做二次训练或精调，以提升私有模型能力。托管的语料资产也可在社区范围内有偿交易，有序流转。

语料加工处于大模型训练开发的上游环节，直接影响语料库生产速度、适用范围与质量水平。数据加工，特别是数据标注已形成产业化，行业信息技术服务商可在数据社区进行大规模、专业化数据加工与标注工作，促进行业语料库的建设与规范。

语料安全是建设行业语料库的“红线”。要加强监督，保障入库数据内容合规、权益清晰。要完善法律法规，优化政策制度，以多种途径与方式形成监管合力，严防恶意篡改模型和渗入有害数据等行为。探索利用基于人类反馈的强化学习（RLHF）和可扩展监督（Scalable Oversight）等技术方法，保证大模型的输出符合人类价值观，防止大模型生成有害内容。

行业语料库的评测是进一步完善大模型能力的关键，既要在大模型训练环节对语料库的质量进行评价，也要通过应用成效评估语料库对行业知识覆盖的广度和深度，不斷迭代，以达到更好的效果。

（编辑：张威）