高质量数据集典型案例 | 中国移动依托数据飞轮体系打造行业高质量数据集

　　推荐单位：中国移动通信集团有限公司
　　申报单位：中国移动通信集团有限公司、中海石油气电集团有限责任公司、复旦大学、数据堂（北京）科技股份有限公司
　　一、背景
　　中国移动研发一系列通专大模型，模型持续训练存在高质量数据集持续建设、缺乏符合场景的训练数据、投入成本高等挑战。本案例依托数据飞轮体系打造行业高质量数据集，聚焦于构建“数据－模型－业务”三元耦合的闭环协同架构，通过打造“数据标准化构建－治理体系精细化管控－场景化应用敏捷落地”的全链路能力体系，实现数据资源的有效治理与价值指数级提升。
　　二、方案和成效
　　一是构建全链路数据平台矩阵，实现集团数据统一汇聚。打造覆盖高质量数据集生产与供给全链路的平台矩阵，集成存储、汇聚、处理、标注、合成、评测、管理、检索、供给、回流十大核心功能，构建1+N集省两级架构，实现全集团数据集统一汇聚与高效流转。
　　二是建立数据飞轮运营机制，充分激活数据资产价值。建设层次化数据标注团队，形成移动自有数据标注运营体系，有效提升标注质量和效率。制定大模型数据集管理办法，集团范围形成合力，保障数据飞轮工作顺利运转。
　　三是推进生态体系化建设，强化高质量数据供给。聚焦于标注基地产业化建设、数据治理体系化以及生态协同和跨域赋能。支撑2个国家级数据标注基地建设，构建产学研用协同机制，打造开放共享的大数据生态体系，全面赋能各行业数字化转型与智能化升级。
　　四是深化数据产业赋能，实现内外价值转化。依托数据飞轮体系，构建 226 个通用数据集与 151 个行业数据集，有力地支撑了九天系列通专大模型研发。同时，积极拓展产业生态，对外输出高质量数据供给和管理平台，实现 “内磨外用”。
　　三、创新点
　　一是算法创新驱动数据高效生产。研发多模型融合数据合成算法，可快速合成大模型所需高质量多模态数据集，已合成数据超百万条。研发适配业务、指标领先的视频转场识别和美学打分算法，已生产竖版视频超400GB，支撑多模态大模型训练。
　　二是评测体系构建筑牢数据质量防线。构建“三位一体”的数据集质量评测体系，包含数据集评测指标、评测工具及评测实施方案。聚焦数据基础指标、内容质量指标、可用性指标等八大类别，形成质量评测指标200余项。
　　三是机制创新助力生态协同发展。制定统一的数据治理体系，完善数据驱动的考核与激励机制，产业合作协同标注基地、依托内部平台，促进生态高效协同发展。