SFT 人工标注数据怎么构建?
无用户数据时设计原则、标注流程与质量验证方法
原题：在缺乏足够真实用户行为数据的情况下，如何系统性地设计和构建大批量、高质量的人工标注数据集，以支持大模型的监督微调（SFT）？请描述数据设计原则、标注流程控制和质量验证方法。
模型训练 · 美团真题
回答与解析
人工数据集从任务抽样、试标和可复核流程构建
先定义目标任务、使用边界、输出 schema 和验收指标，再从预期流量、专家知识、公开任务与失败案例构造候选池。分层维度可包括意图、语言、难度、风险、输入长度和长尾类型。题量、专家占比、抽检率和真实/合成比例都应由试点误差、预算与学习曲线决定，不存在通用的 20/60/20、10% 或 1:3 配方。
标注指南应给定义、正反例、边界、不可判断、证据要求和升级路径。先做小批试标，收集分歧并迭代指南，再正式生产。两名固定标注者处理名义类别时可使用 Cohen's kappa；多名标注者的名义分类可按设计选择 Fleiss' kappa；标注人数不固定、存在缺失或量表不同可考虑 Krippendorff's alpha。指标选择取决于测量尺度和抽样设计，不能把“3 到 5 人算 Cohen's kappa”笼统处理，也不能把 0.7 当所有任务的统一放行线。
质量控制包括资格测试、隐藏金标、重叠标注、专家仲裁、理由与证据留存、标注者漂移监控和版本化。验证层检查 schema、重复、泄漏、类别分布和安全，再用小规模 SFT 或代理任务看学习曲线与切片表现。模型辅助可用于预标和风险排序，但不能用未经验证的分类器自动判定最终质量。发布数据卡，记录来源、指南版本、一致性、已知偏差和不适用场景。
口语版讲法(30秒速答 + 90秒主答 + 完整展开)
- 从目标分布与验收标准设计任务
- 通过分层抽样覆盖主流和长尾
- 用试标迭代指南与边界
- 按标注设计选择一致性统计
- 以仲裁、金标、漂移和学习曲线闭环
【30秒速答】 缺少真实行为数据时，先定义任务和输出标准，从公开任务、专家知识、失败案例与合成候选构造分层池，再做小批试标。指南写清正反例、边界、证据和不可判断，分歧由专家仲裁。两名标注者的名义分类可用 Cohen's kappa，多人名义分类可考虑 Fleiss' kappa，人数不固定、缺失或不同量表可用 Krippendorff's alpha。样本量、专家占比、抽检率和放行阈值都由试标、风险和学习曲线决定，不套固定比例。
【90秒主答】 设计阶段先写模型将面对哪些用户、输入和风险，建立意图、语言、长度、难度、领域和安全分层。候选数据可以由专家编写、公开许可数据改造、模板组合、模型生成和真实失败案例脱敏获得，但每条都保留来源和生成方式。合成数据用于扩大覆盖时，要有可执行检查、独立模型或人工复核，避免同一模型生成并自评造成错误自举。试标选一批覆盖主要边界的样本，让标注者独立工作，记录分歧理由，迭代定义与示例。不要先规定必须三到五人、两百条或某个一致性阈值，再强行让任务适配流程。Cohen's kappa 面向两名标注者；多人、缺失和量表结构不同需要选择 Fleiss 或 Krippendorff 等合适统计，并结合原始一致率和类别分布解释。
【完整展开】 生产阶段对标注者做资格测试和校准，持续插入隐藏金标与重叠样本。高风险或低一致类别增加专家覆盖，简单稳定类别可以降低重叠；比例来自错误成本和抽检结果。仲裁不是简单多数票，而是按指南和证据给最终标签，并把新边界回写指南。监控每位标注者的通过率、分歧类型、处理时间和随时间漂移，指南版本、标注工具和参考资料都进入数据血缘。
数据验收先查 schema、重复、泄漏、敏感信息、类别与来源分布，再训练小模型或小规模 SFT 看学习曲线和切片表现。模型质检器只能排序可疑样本，阈值由人工金标上的 precision、recall 和严重错误成本校准，不能预设提效百分比。随着数据量增加，如果独立验证不再改善，应把预算转向长尾、纠错和新场景。最终数据卡说明动机、组成、采集、标注设计、一致性统计、仲裁、已知偏差和不适用边界。这样的流程能扩量，同时保留每个标签为何可信的证据。
关键一句:一致性统计必须匹配标注人数、类别尺度和缺失设计，Kappa 不是一个可随意套用的统一指标。
核验来源
面试官还可能这样问
- 问法 1 · 场景切入
假设我们做个电商客服大模型，但现在线上只有很少的用户真实对话数据，没法直接微调。你会怎么从零开始设计一批高质量标注数据？比如先定哪些类型的问题，再怎么控制标注质量？
- 问法 2 · 层层追问
大模型微调需要大量标注数据，但你没有真实用户行为数据，怎么搞？……具体设计数据时，你会考虑哪些原则来保证覆盖度和多样性？……那标注流程上怎么保证一致性？最后怎么验证数据质量？
- 问法 3 · 直球架构
请系统性地讲一下，在缺乏真实用户数据的情况下，如何构建大批量高质量SFT标注数据集？从数据设计原则、标注流程控制到质量验证方法，说清楚你的整体方案。