文丨高洪浩 陈佳惠

编辑丨高洪浩 黄俊杰

成都中和与天津侯台都是城郊结合处的老村镇。一群人在这里为大型互联网公司训练大模型，大多月薪不足 1 万元。

他们每天从阅读大模型生成的答案开始：核对事实，检查有没有答非所问，打分、比较优劣，有时还要亲手写一份示范。做完一条，再看下一条。模型要学的任务，从财务分析、修改程序，扩展到生物制药、芯片设计，人也得为这些任务准备示范和评分标准。

这些重复、琐碎的工作，构成了今天大模型训练中最重要的一环——数据生产。

“这家公司最大的创新就是数据。” 一位负责数据评测的人士这样评价 Anthropic。2025 年，当网上现成的文本越来越难满足训练需求，Anthropic 开始从人类的实际工作中收集数据：律师接到合同，先查哪些法规，修改哪些条款，改完如何复核——把过程记录下来，整理成训练数据，让模型学习。

中国模型公司在 2026 年初开始行动。腾讯混元负责人姚顺雨直接管理混元数据团队；阿里将千问的数据团队交给集团合伙人委员会成员范禹；字节在年中将 Seed 旗下 Global Data 团队升级为 AI 数据与安全部门，与 Seed 平行，服务所有大模型团队。

金融、法律、医疗，乃至核物理，模型公司很难只靠内部员工生产这些领域的数据。需求撑起了百亿美元级的公司：2025 年，《福布斯》估算 Surge AI 价值约 240 亿美元；同年 10 月，Mercor 融资估值达到 100 亿美元。有的创业公司只有两三个人，专为一个行业搭建强化学习环境，Anthropic 一单就能包下它们一整年的产能。

2026 年初以来，中国也出现了数十家数据供应商。UniPat 估值已达 30 亿美元。教授、科学家、投行和律所的从业者，开始兼职出题、写答案、演示操作、评价模型。参加出题的人，被戏称为 “人奸” 或 “碳奸”。

史无前例的自我 “蒸馏” 开始了。

注入模型的一条数据如何诞生

2026 年上半年，一家提供大模型 API 调用服务的创业公司，与一家头部云厂商谈合作。创业者想拿到更便宜的价格，对方答应了，条件是获得用户使用模型时产生的数据。

创业者算了一笔账：即使给每名用户免费提供价值 100 元的调用额度，只要能积累足够多的高质量数据，再卖给模型公司，仍然划算。同一时间，一家头部 AI 数据公司也向他发出了收购要约。

用户完成任务时留下的操作轨迹，成为模型训练最受重视的数据之一。一位互联网公司数据团队人士说，目前最迫切的需求是编程和工作两类。

编程数据有两种用途：练习评测集中的题目，在排行榜上拿高分；或学习实际任务，比如开发游戏、搭建 3D 模型。据我们了解，需求最旺盛时，一些模型厂每天在编程数据上的投入可以超过 1000 万美元。

工作数据则要还原办公过程：从文件里找资料、读懂邮件中的要求和期限，再往表格里填数字、编辑文档、查询网页和数据库、调用工具。一位数据服务商创始人说，金融和法律行业的经济价值高，大量任务在线上完成、以 Office 文件交付，是比较理想的训练环境。