大模型的数据生意：人类如何蒸馏自己

成都中和与天津侯台等城郊老村镇里，一群人正为大型互联网公司训练大模型，大多月薪不足1万元。他们每天核对大模型答案的事实、检查是否答非所问、打分比较优劣，有时还要亲手写示范。这些重复琐碎的工作构成大模型训练中最重要的一环——数据生产。

2025年，网上现成文本越来越难满足训练需求，Anthropic开始从人类实际工作中收集数据，记录律师处理合同的全过程，整理成训练数据。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；阿里将千问数据团队交给集团合伙人委员会成员范禹；字节将Seed旗下Global Data团队升级为AI数据与安全部门，与Seed平行。

需求撑起百亿美元级公司：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100亿美元。2026年初以来中国出现数十家数据供应商，UniPat估值达30亿美元。教授、科学家、投行和律所从业者开始兼职出题、写答案、演示操作、评价模型。

用户完成任务留下的操作轨迹成为最受重视的数据之一。目前最迫切的需求是编程和工作两类。编程数据用于练习评测集题目或学习实际任务，需求最旺盛时一些模型厂每天在编程数据上投入可超过1000万美元。工作数据要还原办公过程：找资料、读邮件、填表格、编辑文档、查询网页和数据库、调用工具。

一条训练数据如何诞生：以杠杆收购测算表为例，需请投资并购专家提供完整测算表、投资报告及当时资料，还原制作过程，每一步说明查了什么、做了什么、为什么这样做，再写评分清单，请另一位专家复核，让模型试做，两位专家按同一清单评分结果应基本一致。任务邮件、原始资料、参考测算表、操作记录、评分清单共同构成一条训练数据。难的是还原真实工作，报告往往边写边改，中途有新要求，有些判断没有记录。

一条人工数据售价从几百元到上万元不等，一批通常至少1000条。任务越复杂价格越高，完整尽调案例报价可达5万元。核物理、芯片设计等小众领域数据更稀缺。接近月之暗面人士称，训练K3时在海外买了一批EDA数据，价格数百万美元左右。

字节早期从内容审核团队抽人，还付钱请员工下班后写数据，内部称“众包”。如今字节通过Xpert平台招募专家，Seed STEM科学家计划邀请100位前沿科学领域学者。Mercor曾花超50万美元请专业人士制作200道任务，平均每道开发成本超2500美元。中国专家数据平台Humanlaya聚集约300个行业和学科超10万名专家，2026年获高瓴、红杉中国、今日资本等投资，估值接近10亿美元。一位法律行业兼职人士每月交付约40条数据，拿到2万多元，平均每条约600元。

专家头衔不等于数据质量，许多教授不亲自做实验，难以还原一线操作。平台雇用既懂行业又懂算法的全职员工检查数据，挑出可重复使用的出题方法，10位专家交来的方案如有5种能换材料继续出题，就安排算法人员扩成50条、500条。数据能批量生产也会很快过时，一家大厂订购修复代码错误的数据，还没交付模型已从其他数据学会。

除大厂和头部创业公司，小红书、米哈游、京东、九坤、蚂蚁等也有需求。各家进度不同，别家用过的数据起步晚的团队可能还用得上。还有一些交易不在明面上：创业公司攒模型厂商账号转卖API调用服务，再出售调用产生的数据；另一些公司从模型公司内部人员手里买数据转卖同行，部分交易靠回扣维系，单笔合同数百万元乃至上千万元。

模型公司很难全靠自己生产数据。一位月之暗面研究员说，编程任务分多个方向，团队起初没经验、人手少，“很多数据其实都是实习生自己拍脑袋做的，很粗糙”。公司开发编程命令行产品时，内部真正用得上的不足50人。一位大厂办公Agent产品经理说，产品用的模型不是最顶级的，用户任务也不一定复杂，“有的时候，几万条里才可能用到几条”。

靠招人补齐能力同样困难。外部出现更强模型，团队就倾向用其输出训练自己的模型，减少人工数据生产；蒸馏难以继续带来提升，人工需求又会上升。一位独立模型厂人士测算，高峰期可能需要6000人生产数据，低谷期连2000人都用不上。外部供应商愿意一份数据卖多家，但大厂普遍愿意支付3-4倍溢价永久买断或限时独占。今天合格的训练数据，半年后可能只剩一成有用。预算之外，买家还得知道自己需要什么。蚂蚁买金融数据时，会把一个投研报告类需求拆成上百个案例、十多个子类，写清每类多少篇。