数据标注

数据标注是什么

数据标注是为机器学习训练数据添加标签（Annotation）的过程：让原始数据"变得可学习"。比如给一张图片框出里面的猫、给一段客服对话标上"退货意图"、给一段语音转成文字。

大模型时代，数据标注依然是核心环节——微调（Fine-tuning）与 RLHF 都依赖高质量标注数据。

常见标注类型

• 图像标注：目标检测框、语义分割、图像分类
• 文本标注：意图分类、实体识别（NER）、情感标注、指令数据（Instruction Data）
• 音频标注：语音转写、说话人识别、声学事件标注
• 偏好标注：RLHF 中对模型回答做好坏排序

质量为何重要

• 垃圾进垃圾出：标注错误会直接教坏模型
• 一致性：多人标注同一规则，需培训+质检+抽检
• 迭代成本：数据清洗比重建更贵，前期规则要定清

标注方式

• 人工标注：众包平台、专业标注团队
• 半自动：模型预标注+人工修正（LLM 辅助标注是当前主流做法）
• 合成数据：用模型生成并校验的训练样本

一句话总结

数据标注是把"人的判断"转化为"模型能力"的桥梁——大模型能力越强，越需要高质量、结构化的标注数据来对齐到具体任务。