「数据多就能训练行业模型」错在哪？

「数据多就能训练行业模型」这句话，错在把数量当成了充分条件。用大模型做垂直场景的团队，硬盘里往往躺着几年的单据和聊天记录，看着很富足，真到整理时才发现能用的不到十分之一。数据够不够，从来不是按容量算的，是按「能不能支撑一个明确任务」算的。

误区一：把数据量当成数据质量

错在以条数论英雄。十万条记录里，可能有三成是重复提交，两成是测试数据，还有一部分是早已废止的旧规范下的产物。这些数据混进去，模型学到的是混乱，而不是经验。

正确说法是先做一遍年检式的清点：去重、剔除测试数据、标注时间、识别缺失字段。清点之后剩下的有效样本，往往只有原量的三分之一。按有效量做预算，才不会在训练阶段反复返工。

误区二：忽略标注口径的一致性

错在假设「大家都懂」。同一个工单，甲标成售后咨询，乙标成技术支持，两人都不算错，但模型无法从中学到稳定标准。口径不一致的样本越多，模型的表现越接近随机。

正确说法是先写标注规范，再动手标。规范里要给出边界案例的处理方式，比如同时涉及退款和物流的工单归哪一类。写完先让三个人各标一百条，一致率低于八成，就回去改规范。

误区三：忘了数据在哪个环节产生

错在把数据当成客观记录。客服系统里的描述是坐席整理的，工单里的结论是主管填的，这些字段带着人的判断，也带着当时的流程约束。直接拿来训练，模型学到的是流程的偏差。

正确说法是标清数据来源和生成环节。来自客户原话的样本，和来自坐席总结的样本，要分开存放、分别评估。涉及多方数据时，来源和授权要一并记录，可参考行业模型的适用边界。

正确说法：先定义任务，再定义样本

顺序反过来就对了：先说清模型要做哪一件事、输出什么、怎样算对，再倒推需要什么样的样本。比如任务是「判断工单是否需要二次上门」，那样本的核心就是历史工单加最终是否返修，其他字段都是辅助。

任务定义得越窄，需要的样本越少。窄任务五千条高质量样本往往够用，宽任务五万条也未必够。这就是为什么小团队也能做出可用的模型，前提是任务切得够细。

小而干净的样本怎么攒

三个来源比较实用：一是近半年的真实业务记录，时间近、口径新；二是人工处理时留下的修改痕迹，能看出模型容易错在哪；三是同事之间反复解释的那些例外，这些往往是最有价值的长尾。

攒的时候同步做两件事：给每条样本打来源标签，给每次修改留时间戳。这两列在后期排查问题时价值很高。若还在评估要不要投入，可看试点与推广的节奏建议。另外，样本不必一次攒够，可以先按任务分支各备五十条，跑一轮看模型错在哪，再定向补；这比先囤十万条再动手更快看到真问题。工具与流程的关系，可看工具与数字化的距离。

另外要留意一种假富裕：数据条数很多，但集中在少数几个大客户身上。这样的样本训出来的模型，对长尾客户几乎没有覆盖，上线后会在小客户身上集中出错。抽样时按客户分层看，比只看总量可靠。

数据可用性四问

• 去重和剔除测试数据后还剩多少
• 标注规范写了吗，三人一致率过八成吗
• 样本来自客户原话还是人工总结
• 任务能否窄到一句话说清

样本清洗阶段用智谱清言和 Kimi 各做一轮去重和归类，能省下大量手工，但最后一遍仍要人来确认边界案例，尤其是模棱两可的那批。

关于数据多就能训练行业模型，问得最多的三个

• 多少条样本才算够？：窄任务几千条可用样本即可起步，关键是覆盖主要分支和典型例外。
• 旧数据还能用吗？：能用但要标时间，规范变更前的样本比例不宜超过三成。
• 没有标注团队怎么办？：让业务骨干先标三百条做种子，再用模型预标、人工只改错，效率会高很多。