从「标注量」到「标注质量」：数据标注行业的三次跃迁

早期的数据标注以「量」为核心计价：多少框、多少条、多少小时。采购方关心单价与交付周期，供应方关心人效。这一阶段的产物足以支撑分类模型，却在面对细粒度任务时暴露出明显短板。

第一次跃迁：从计数到规则

当类别体系变复杂，标注规范文档本身成为交付物的一部分。同一存在歧义的边界情况，两个标注员给出不同答案，模型就会学到噪声。规范的可执行性、边界样例库、争议仲裁机制，开始决定数据集能不能用。

第二次跃迁：从规则到统计

引入黄金集、盲测集与标注者一致性分析之后，质量第一次可以被度量，而不只是被感觉。我们把每个批次的一致性指标、缺陷归因与返工率随交付一起给到客户，让数据质量成为可复现的工程指标。

第三次跃迁：从统计到场景覆盖

大模型与端到端感知把问题推向长尾：不是标得准就够了，还要覆盖足够多的罕见情形。难例挖掘、类别均衡、版本化管理，取代单纯抽检成为新的质量重心。

对采购方而言，评估供应商的问题也应该换一换：不问「一框多少钱」，而问「争议样本怎么仲裁」「一致率怎么算」「难例怎么补」。这些问题的答案，才是数据集交付后模型效果的先决条件。