数据标注
数据标注是给照片、文本、语音、视频等原始数据加上正确答案标记（标签）的工作，例如“这是一只猫”“这句话是负面的”。它也称为注释（annotation），相当于编写告诉 AI 应该学什么的教材。
通俗解释 这就像给孩子看图画书，指着图告诉他们“这是苹果，这是香蕉”。名字标错了，孩子也会学错。不过，AI 需要的例子比人多得多，所以这项工作的规模很大。
工作原理
首先确定标记什么、如何标记的标准（指南）。标注人员按照该标准添加标签，例如在图像上画框、为句子选择情感、把语音转写成文字。同一份数据由多人标注并比较意见是否一致，有分歧的部分由审核人员确认。用这样制作的数据训练模型，再收集模型经常出错的样本重新标注，如此反复。
标注循环
更好的训练数据
- 1制定标准
- 2添加标签
- 3审核
- 4模型训练
- 5收集出错样本
- 1. 制定标准 编写指南
- 2. 添加标签 标注人员标记
- 3. 审核 确认有分歧的标签
- 5. 收集出错样本 重新列入标注对象
为什么重要
看着正确答案学习的监督学习，没有带标签的数据就无法开始。在 LLM 时代，标注依然重要：由人撰写优质回答示例的 SFT，以及由人在两个回答中选出更好一个的 RLHF 偏好数据，广义上也都属于标注。标签的准确性和一致性直接决定模型质量，因此它也是数据质量管理的核心领域。
注意事项
标注需要大量人工，成本和时间开销都很大。因此，如今常常同时采用由 AI 模型先打标签、人只负责审核的方式，或由模型直接生成训练数据的合成数据。但自动标签也可能出错，人工审核不会完全消失。此外，不同标注人员的判断可能不同，因此把标准写清楚决定了结果的一致性。
示例
在机器人学习中，需要在记录人拿起或搬动物体的视频上标明“做了什么动作”的数据。正如本站介绍过的 Twelve Labs“Pegasus 1.6”消息所示，已经出现了利用能理解视频的 VLM 将第一人称视频转换为机器人训练数据的尝试。这一案例体现了 AI 正在接手部分原本由人逐一完成的标注工作的趋势。
本站出现过的地方
- 简报 Twelve Labs 发布将第一人称视频转换为机器人训练数据的 VLM“Pegasus 1.6”（报道） 2026-10-07