行業(yè)大模型語料庫建設(shè)與治理

姚前

大模型語料是指用于訓練和評估大模型的一系列文本、語音或其他模態(tài)的數(shù)據(jù)。語料規(guī)模和質(zhì)量對大模型性能以及應(yīng)用的深度、廣度有著至關(guān)重要的影響。當前行業(yè)大模型訓練語料存在覆蓋面不全、準確性不足、時效性不夠等問題，導致大模型通常難以達到預(yù)期目標。實踐經(jīng)驗表明，即使模型參數(shù)量級有所下降，只要數(shù)據(jù)語料質(zhì)量足夠高，其表現(xiàn)依然不俗。

為進一步提升大模型在行業(yè)的應(yīng)用范圍和應(yīng)用成效，需統(tǒng)籌行業(yè)力量搭建社區(qū)平臺，拓寬語料來源，構(gòu)建語料標準規(guī)范，開展語料治理，保障語料安全，為大模型訓練及應(yīng)用提供滿足業(yè)務(wù)場景需求，具備行業(yè)特性和標準化的高質(zhì)量語料。

語料的范圍

行業(yè)大模型語料是指用于訓練垂直領(lǐng)域大模型的數(shù)據(jù)集，通常包含自然科學、社會科學等通用語料和行業(yè)專用語料。以證券期貨行業(yè)為例，行業(yè)專用語料包括財經(jīng)新聞、財務(wù)報告、法規(guī)文件、公開的交易數(shù)據(jù)等。通過收集和整理語料，可以訓練大模型理解和生成行業(yè)特定概念和知識，支持行業(yè)分析、預(yù)測和輔助決策等智能任務(wù)。

（一）通用語料

引入百科、書籍等通用語料，可使大模型在執(zhí)行行業(yè)特定任務(wù)時，減少對專業(yè)術(shù)語誤解的風險（如專業(yè)術(shù)語的非專業(yè)用法、術(shù)語的雙關(guān)語、與特定行業(yè)無關(guān)的上下文等），并且在面對跨領(lǐng)域的查詢或交流時，能提供更為準確和自然的響應(yīng)。

（二）行業(yè)專用語料

引入行業(yè)專用語料，旨在豐富大模型對于行業(yè)特有詞匯、表達方式以及特定知識的理解，使模型能夠針對性地處理行業(yè)相關(guān)的復雜查詢，執(zhí)行精準的數(shù)據(jù)分析，以及更有效地支持輔助決策。此外，基于行業(yè)專用語料訓練的大模型在進行風險評估、預(yù)測、合規(guī)性檢查等任務(wù)時，能展現(xiàn)出更高的可靠性和適用性。

語料庫現(xiàn)狀

通常行業(yè)管理部門、經(jīng)營機構(gòu)以及信息技術(shù)服務(wù)商都會建設(shè)自身語料庫。一方面滿足行業(yè)知識整理、業(yè)務(wù)研究、合規(guī)風控等自身需求，另一方面可進一步加工成全新的數(shù)據(jù)資產(chǎn)、研究報告等，對外進行服務(wù)。不同的機構(gòu)在語料庫建設(shè)方面的現(xiàn)狀以及面臨的問題均有所不同，且呈現(xiàn)出自身的特點。

（一）行業(yè)管理部門

管理部門在構(gòu)建語料庫的工作中，挑戰(zhàn)主要在于數(shù)據(jù)集的規(guī)范和數(shù)據(jù)標準化，這是知識整理的基礎(chǔ)。其語料庫建設(shè)存在以下問題：1.數(shù)據(jù)分散：許多重要的數(shù)據(jù)散落在各業(yè)務(wù)系統(tǒng)中，重要信息和專家經(jīng)驗無法得到有效沉淀，數(shù)據(jù)共享存在壁壘。2.數(shù)據(jù)異構(gòu)：日常積累的大量文本數(shù)據(jù)，來自于不同的部門和層級，格式、結(jié)構(gòu)和內(nèi)容不盡相同。3.數(shù)據(jù)敏感：管理部門數(shù)據(jù)通常涉及大量敏感信息，在處理和存儲過程中必須確保安全合規(guī)。

（二）行業(yè)經(jīng)營機構(gòu)

經(jīng)營機構(gòu)語料庫涉及海量的結(jié)構(gòu)化及非結(jié)構(gòu)化數(shù)據(jù)，挑戰(zhàn)主要在于如何深度挖掘，以支持決策分析和客戶服務(wù)。其語料庫建設(shè)存在以下問題：1.處理難度大：來源于多渠道的經(jīng)營和交易數(shù)據(jù)，格式、標準均不相同且模態(tài)多樣，難以有效整合。2.加工深度淺：經(jīng)營機構(gòu)的語料庫建設(shè)僅停留在表層信息，尚不涉及深層的語義理解和深度分析。3.隱私保護難：大模型語料涉及商業(yè)秘密及客戶敏感信息，在訓練和使用過程中經(jīng)營機構(gòu)須做好合規(guī)風控。

（三）信息技術(shù)服務(wù)商

信息技術(shù)服務(wù)商擅長整合通用語料，在配合構(gòu)建行業(yè)語料庫時面臨的主要挑戰(zhàn)是專業(yè)能力和服務(wù)質(zhì)量。1.專業(yè)能力：信息技術(shù)服務(wù)商對行業(yè)語料的分類、分析和解讀需要行業(yè)知識，其專業(yè)能力嚴重影響語料庫的應(yīng)用價值。2.服務(wù)質(zhì)量：行業(yè)語料庫建設(shè)是一項持續(xù)迭代的工作，需要信息技術(shù)服務(wù)商提供長期的高質(zhì)量服務(wù)。

此外，合成數(shù)據(jù)也是大模型訓練重要數(shù)據(jù)來源，在降低成本、提升數(shù)據(jù)質(zhì)量、規(guī)避隱私問題等方面具有優(yōu)勢。如何探索行業(yè)數(shù)據(jù)合成的有效路徑，是行業(yè)語料庫建設(shè)的重大課題。

語料庫的必要性

行業(yè)語料庫的構(gòu)建與治理對于發(fā)展行業(yè)大模型，激活數(shù)據(jù)要素價值尤為關(guān)鍵。一個結(jié)構(gòu)良好、內(nèi)容優(yōu)質(zhì)、管理規(guī)范的語料庫可以為行業(yè)參與者提供具備深度洞察力的知識庫，促進行業(yè)數(shù)字化轉(zhuǎn)型和高質(zhì)量發(fā)展。具備公信力的語料庫需要行業(yè)共建共享，客觀上助推行業(yè)語料社區(qū)的建設(shè)和公共服務(wù)的發(fā)展。

（一）高質(zhì)量的語料庫是行業(yè)大模型落地等創(chuàng)新的基礎(chǔ)

語料決定了模型的訓練質(zhì)量、性能表現(xiàn)以及應(yīng)用領(lǐng)域的廣度與深度。語料庫建設(shè)除了考慮質(zhì)量維度，還需關(guān)注開放程度。建設(shè)統(tǒng)一、開放、標準的行業(yè)大模型語料庫，有利于提高行業(yè)語料的利用效率和價值，促進行業(yè)大模型的訓練開發(fā)，加速大模型的落地應(yīng)用。

（二）高質(zhì)量的語料庫是行業(yè)數(shù)字化轉(zhuǎn)型的重要抓手

高質(zhì)量語料應(yīng)具備大規(guī)模、多樣性、真實性、連貫性、合法性和無偏見等特點。目前行業(yè)高質(zhì)量語料相對缺乏，推動其建設(shè)是實現(xiàn)信息化向數(shù)字化、智能化轉(zhuǎn)型的重要之舉。

（三）高質(zhì)量的語料庫是激活數(shù)據(jù)要素價值，破除數(shù)據(jù)壁壘的有效手段

大模型語料通常需要跨機構(gòu)、寬口徑數(shù)據(jù)，可能會涉及數(shù)據(jù)安全、隱私保護、知識產(chǎn)權(quán)等問題?？商剿鞯谌綌?shù)據(jù)托管等方式，以激活數(shù)據(jù)要素價值，有效解決跨機構(gòu)數(shù)據(jù)共享問題。

建設(shè)思路

建設(shè)具備公信力的行業(yè)大模型語料庫是一項長期性、專業(yè)性的系統(tǒng)性工程，涵蓋基礎(chǔ)設(shè)施、公共服務(wù)平臺、行業(yè)規(guī)范標準、激勵機制等方面。在建設(shè)方法、實現(xiàn)路徑上需形成合力，多措并舉，久久為功（見圖）。

圖：行業(yè)大模型語料庫建設(shè)參考架構(gòu)

資料來源：作者整理

（一）充分借鑒通用語料庫的成果和經(jīng)驗

國際通用語料庫，如國外的The Pile、C4、Wikipedia（維基百科）等數(shù)據(jù)集，以及國內(nèi)的“書生·萬卷”多模態(tài)預(yù)訓練語料、中國網(wǎng)絡(luò)空間安全協(xié)會發(fā)布的中文通用語料，都可作為建設(shè)行業(yè)大模型語料庫的基礎(chǔ)。為了擴大通用語料庫資源，要兼顧自立自強和對外開放，可考慮對Wikipedia、Reddit（美國娛樂、社交及新聞網(wǎng)站）等特定數(shù)據(jù)源建立過濾后的境內(nèi)鏡像站點，供國內(nèi)數(shù)據(jù)處理者使用。

（二）聚焦語料的供給、托管、加工、安全與評測

實踐經(jīng)驗表明，基于行業(yè)語料庫，重新訓練通用大模型，通用語料和專業(yè)語料規(guī)模配比通常約為1：1。因此，融合匯聚行業(yè)專用語料，加大語料供給，是行業(yè)大模型建設(shè)的前提。

一種有效思路是建設(shè)數(shù)據(jù)社區(qū)，探索基于可信機構(gòu)或基于可信技術(shù)的平臺，為數(shù)據(jù)主體提供托管服務(wù)。行業(yè)機構(gòu)可利用托管數(shù)據(jù)，基于行業(yè)大模型做二次訓練或精調(diào)，以提升私有模型能力。托管的語料資產(chǎn)也可在社區(qū)范圍內(nèi)有償交易，有序流轉(zhuǎn)。

語料加工處于大模型訓練開發(fā)的上游環(huán)節(jié)，直接影響語料庫生產(chǎn)速度、適用范圍與質(zhì)量水平。數(shù)據(jù)加工，特別是數(shù)據(jù)標注已形成產(chǎn)業(yè)化，行業(yè)信息技術(shù)服務(wù)商可在數(shù)據(jù)社區(qū)進行大規(guī)模、專業(yè)化數(shù)據(jù)加工與標注工作，促進行業(yè)語料庫的建設(shè)與規(guī)范。

語料安全是建設(shè)行業(yè)語料庫的“紅線”。要加強監(jiān)督，保障入庫數(shù)據(jù)內(nèi)容合規(guī)、權(quán)益清晰。要完善法律法規(guī)，優(yōu)化政策制度，以多種途徑與方式形成監(jiān)管合力，嚴防惡意篡改模型和滲入有害數(shù)據(jù)等行為。探索利用基于人類反饋的強化學習（RLHF）和可擴展監(jiān)督（Scalable Oversight）等技術(shù)方法，保證大模型的輸出符合人類價值觀，防止大模型生成有害內(nèi)容。

行業(yè)語料庫的評測是進一步完善大模型能力的關(guān)鍵，既要在大模型訓練環(huán)節(jié)對語料庫的質(zhì)量進行評價，也要通過應(yīng)用成效評估語料庫對行業(yè)知識覆蓋的廣度和深度，不斷迭代，以達到更好的效果。

（編輯：張威）