為破解長(zhǎng)期以來(lái)學(xué)界與業(yè)界難以對(duì)數(shù)據(jù)進(jìn)行價(jià)值量化的困局，上海人工智能實(shí)驗(yàn)室（上海 AI 實(shí)驗(yàn)室）OpenDataLab 團(tuán)隊(duì)在今年 8 月正式開源了首個(gè)全面、公正的后訓(xùn)練數(shù)據(jù)價(jià)值評(píng)測(cè)平臺(tái) ——OpenDataArena (ODA)。該項(xiàng)目致力于將數(shù)據(jù)選擇從「盲目試錯(cuò)」的煉丹術(shù)，轉(zhuǎn)變?yōu)橐婚T可復(fù)現(xiàn)、可分析、可累積的嚴(yán)謹(jǐn)科學(xué)。

在初版系統(tǒng)發(fā)布后的數(shù)月間，項(xiàng)目通過(guò)團(tuán)隊(duì)內(nèi)部及小范圍社區(qū)用戶的深度使用，完成了高強(qiáng)度的技術(shù)驗(yàn)證與功能打磨。伴隨著評(píng)測(cè)規(guī)模、工具鏈和分析能力的持續(xù)擴(kuò)展，近期，我們終于迎來(lái)了ODA 的全面升級(jí) —— 一個(gè)結(jié)論更系統(tǒng)、功能更完整、視角更多元的正式版本，該項(xiàng)目正式面向全體開發(fā)者開放。

• 項(xiàng)目主頁(yè)： https://opendataarena.github.io/
• 開源工具： https://github.com/OpenDataArena/OpenDataArena-Tool
• 數(shù)據(jù)集： https://huggingface.co/OpenDataArena/datasets
• 報(bào)告鏈接：https://arxiv.org/pdf/2512.14051

ODA 的核心理念非常明確：數(shù)據(jù)價(jià)值必須通過(guò)真實(shí)的訓(xùn)練來(lái)檢驗(yàn)，而非主觀的臆測(cè)。為此，我們立足于全新發(fā)布的正式版本，對(duì)平臺(tái)進(jìn)行了體系化的深度重構(gòu)，由四個(gè)相互支撐的核心模塊組成了這套完整的數(shù)據(jù)評(píng)測(cè)基礎(chǔ)設(shè)施。這標(biāo)志著 ODA 已經(jīng)從最初的功能驗(yàn)證階段，發(fā)展成為可以對(duì)數(shù)據(jù)價(jià)值進(jìn)行系統(tǒng)化評(píng)測(cè)的重要平臺(tái)。

一、數(shù)據(jù)價(jià)值排行榜

首先，ODA 項(xiàng)目打造了數(shù)據(jù)價(jià)值排行榜。通過(guò)構(gòu)建一套統(tǒng)一的訓(xùn)練與評(píng)測(cè)流程，讓數(shù)據(jù)在固定的模型規(guī)模（如 Llama3、Qwen2/3 7-8B）和訓(xùn)練配置下，對(duì)來(lái)自不同領(lǐng)域的文本及多模態(tài)數(shù)據(jù)進(jìn)行橫向評(píng)測(cè)。

評(píng)測(cè)覆蓋通用、數(shù)學(xué)、代碼、科學(xué)與長(zhǎng)鏈推理等能力維度，這使得數(shù)據(jù)價(jià)值能直接通過(guò)下游任務(wù)（如數(shù)學(xué)、代碼、推理等）的實(shí)際表現(xiàn)來(lái)量化，而非主觀判斷。目前，ODA 平臺(tái)已經(jīng)從初版僅僅只有文本數(shù)據(jù)的評(píng)測(cè)，擴(kuò)展到了多模態(tài)數(shù)據(jù)集的質(zhì)量評(píng)測(cè)，并以最先進(jìn)的 Qwen3-VL 作為真實(shí)訓(xùn)練的基準(zhǔn)模型。

二、數(shù)據(jù)血緣探索器

其次，針對(duì)數(shù)據(jù)界常見(jiàn)的「近親繁殖」問(wèn)題，ODA 全新發(fā)布「數(shù)據(jù)血緣探索器」。它像繪制族譜一樣，清晰地刻畫出數(shù)據(jù)集之間的繼承、混合與蒸餾關(guān)系。通過(guò)結(jié)構(gòu)化建模與可視化展示，研究者可以直觀地看到不同數(shù)據(jù)集之間的高度重疊與依賴關(guān)系，看到社區(qū)中被反復(fù)復(fù)用的核心數(shù)據(jù)源，以及更清晰的發(fā)現(xiàn)潛在的訓(xùn)練–測(cè)試污染與「近親繁殖」問(wèn)題。這一能力讓「為什么某些數(shù)據(jù)集長(zhǎng)期霸榜」不再是經(jīng)驗(yàn)結(jié)論，而是可以被結(jié)構(gòu)性解釋的現(xiàn)象。

三、多維數(shù)據(jù)評(píng)分器

除了看模型結(jié)果，ODA 還從數(shù)據(jù)本體出發(fā)，對(duì)數(shù)據(jù)質(zhì)量進(jìn)行細(xì)粒度刻畫。ODA 提供了一個(gè)細(xì)粒度的評(píng)分框架，基于模型評(píng)估、LLM-as-a-Judge 與啟發(fā)式指標(biāo)等多種方法，從指令復(fù)雜度、響應(yīng)質(zhì)量、多樣性等維度對(duì)數(shù)據(jù)進(jìn)行深度剖析，生成每份數(shù)據(jù)的專屬「體檢報(bào)告」，并已對(duì)千萬(wàn)級(jí)樣本的評(píng)分結(jié)果進(jìn)行開源。 這使得研究者不僅能判斷「哪份數(shù)據(jù)更有效」，還能進(jìn)一步分析它為什么有效。值得一提的是，在初版的基礎(chǔ)上，ODA 多維數(shù)據(jù)評(píng)分器目前已經(jīng)擴(kuò)展支持80+ 種多維度的評(píng)分器，支持用戶一鍵方便的對(duì)所需要的數(shù)據(jù)維度進(jìn)行打分。

四、全開源評(píng)測(cè)工具箱

此外，為了促進(jìn)社區(qū)共建，ODA 完全開源了其訓(xùn)練、評(píng)分和可視化工具，覆蓋從模型微調(diào)到結(jié)果復(fù)現(xiàn)的完整流程，以及上述精細(xì)化的數(shù)據(jù)評(píng)價(jià)打分器。ODA 工具支持用戶一鍵復(fù)現(xiàn)結(jié)果，或?qū)ψ约核接袛?shù)據(jù)進(jìn)行標(biāo)準(zhǔn)化評(píng)測(cè)，實(shí)現(xiàn)真正意義上的橫向?qū)Ρ取?/p>

五、硬核發(fā)現(xiàn)：那些被忽視的數(shù)據(jù)真相

在對(duì) 120 多個(gè)主流數(shù)據(jù)集進(jìn)行超過(guò) 600 次訓(xùn)練和 4000 萬(wàn)條數(shù)據(jù)的深度分析后，OpenDataLab 團(tuán)隊(duì)得出了一系列具有指導(dǎo)意義的「硬核」結(jié)論，足以重塑業(yè)界對(duì)高質(zhì)量數(shù)據(jù)的認(rèn)知 ：

1. 解答質(zhì)量比問(wèn)題復(fù)雜度更關(guān)鍵：實(shí)驗(yàn)發(fā)現(xiàn)，單純?cè)黾訂?wèn)題的復(fù)雜度并不能有效預(yù)測(cè)數(shù)據(jù)價(jià)值。相反，解答的長(zhǎng)度（推理過(guò)程的充分性）與最終質(zhì)量呈強(qiáng)正相關(guān)，這在數(shù)學(xué)和科學(xué)類任務(wù)中尤為突出。

2. 代碼數(shù)據(jù)的「異類」屬性：搞代碼模型不能照搬數(shù)學(xué)的邏輯。代碼講究簡(jiǎn)潔精準(zhǔn)，長(zhǎng)篇大論反而會(huì)損害效果。這意味著通用的評(píng)分標(biāo)準(zhǔn)在代碼領(lǐng)域經(jīng)常失效，必須建立針對(duì)性的評(píng)估體系。

3. 開源數(shù)據(jù)「近親繁殖」嚴(yán)重：ODA 的數(shù)據(jù)血緣分析顯示，社區(qū)反復(fù)依賴的核心數(shù)據(jù)源比較有限（例如 GSM8K 被多次復(fù)用），由此造成了嚴(yán)重的數(shù)據(jù)同質(zhì)化。借助數(shù)據(jù)血緣分析，更極端的發(fā)現(xiàn)是，數(shù)據(jù)污染越來(lái)越嚴(yán)重：大量訓(xùn)練樣本直接與測(cè)試集發(fā)生重疊。

4.「少即是多」的局限性：盡管 LIMA 等研究曾宣稱少量精選數(shù)據(jù)即可成功，但 ODA 的實(shí)驗(yàn)證明這極度依賴模型底座的先天能力。如果底座一般，過(guò)少的數(shù)據(jù)量會(huì)導(dǎo)致性能崩塌。真正穩(wěn)健的路徑是追求「高質(zhì)量且具規(guī)模（High-Density Volume）」 的數(shù)據(jù)配方。

5. 為什么有些數(shù)據(jù)集能霸榜？以 AM-Thinking-distilled 為代表的超大規(guī)模聚集型數(shù)據(jù)集，能夠同時(shí)在數(shù)學(xué)與代碼任務(wù)上取得明顯的優(yōu)勢(shì)，關(guān)鍵原因在于其跨領(lǐng)域融合能力。它通過(guò)遞歸方式整合了435 個(gè)數(shù)據(jù)節(jié)點(diǎn)，顯著提升了數(shù)據(jù)分布的多樣性與互補(bǔ)性。

6. 數(shù)據(jù)可以彌補(bǔ)底座差距：這是一個(gè)令人振奮的發(fā)現(xiàn)。即使 Llama 3.1 和 Qwen 2.5 之間存在顯著的底座分差，只要用上如 OpenThoughts3-1.2M 這樣的高質(zhì)量微調(diào)數(shù)據(jù)，這個(gè)差距幾乎可以被抹平?？梢哉f(shuō)，好的數(shù)據(jù)配方真的能讓模型「逆天改命」。

未來(lái)展望

OpenDataArena 的遠(yuǎn)景，絕不不滿足于僅僅建立一個(gè)排行榜，更致力于將數(shù)據(jù)研發(fā)從「玄學(xué)」推向可復(fù)現(xiàn)、可分析的「科學(xué)」。未來(lái)，ODA 將持續(xù)進(jìn)化，探索智能體數(shù)據(jù)，金融、醫(yī)療等垂直領(lǐng)域的深層價(jià)值。

在這個(gè)數(shù)據(jù)決定 AI 上限的時(shí)代，唯有手握科學(xué)的標(biāo)尺，才能精準(zhǔn)丈量每一份數(shù)據(jù)的真實(shí)「重量」。