2026 年 11 月 7 日——《晚点LatePost》于 11 月 5 日发布报道《大模型的数据生意:人类如何蒸馏自己》(记者高洪浩、陈佳惠),披露国内多家 AI 公司自 2026 年起系统性地加大数据投入:DeepSeek 绝大多数员工从事数据相关工作,创始人梁文锋偶尔也参与数据标记;腾讯混元由负责人姚顺雨直接管理数据团队,靠重新清洗数据与扩大强化学习规模推动模型升级。同期,智谱唐杰披露下一阶段训练数据目标为 100T Token,约为 GLM-5 所用数据量的 3.5 倍。

DeepSeek与腾讯混元的动作

晚点报道称,在 DeepSeek,绝大多数员工从事数据相关工作;一位 DeepSeek 人士向晚点透露,梁文锋偶尔也会参与数据标记。这一表述显示数据生产已被 DeepSeek 置于公司人力结构的核心位置。

腾讯方面,姚顺雨接手混元后重新清洗已有数据、迭代基础设施,让混元 3 Preview 明显超越前代;正式版再优化后训练数据、扩大强化学习规模,能力又有提升。2026 年初以来,姚顺雨直接管理混元数据团队。同一时期阿里将千问的数据团队交给集团合伙人委员会成员范禹;字节在年中将 Seed 旗下 Global Data 团队升级为 AI 数据与安全部门,与 Seed 平行,服务所有大模型团队。

晚点报道还将这一轮数据竞争放到了产业链尺度:2025 年《福布斯》估算数据供应商 Surge AI 价值约 240 亿美元;同年 10 月 Mercor 融资估值达到 100 亿美元。2026 年初以来,中国也出现数十家数据供应商,UniPat 估值已达 30 亿美元,专家数据平台 Humanlaya 聚集约 300 个行业和学科的超过 10 万名专家,估值接近 10 亿美元。

数据生产的关键数字

项目 数据 口径与来源
Surge AI 估值 约 240 亿美元 2025 年《福布斯》估算,晚点报道转述
Mercor 融资估值 100 亿美元 2025 年 10 月,晚点报道转述
UniPat 估值 30 亿美元 晚点报道转述
Humanlaya 专家规模 超 10 万名,覆盖约 300 个行业与学科 晚点报道转述
单条人工数据售价 几百元至上万元,一批通常至少 1000 条 晚点报道转述
编程数据投入峰值 需求最旺盛时,部分模型厂每天可超 1000 万美元 晚点报道转述
月之暗面 K3 EDA 数据采购 约数百万美元(海外采购,用于芯片设计) 晚点报道转述,K3 官方定位为早期概念验证
数据与算法岗位收入差距 数据参与者月薪 8000-9000 元、按 18 薪年薪不足 20 万元,同一公司算法人员年薪包约 1000 万元 晚点报道转述

晚点报道提到,大模型要学的任务已从财务分析、修改程序扩展到生物制药、芯片设计,人工需要为这些任务准备示范和评分标准;大厂普遍愿意支付 3-4 倍溢价,对高质量数据永久买断或限时独占。而一条数据的生产链路包括任务邮件、原始资料、参考成果、操作记录与评分清单,需要行业专家与复核专家双重参与。

智谱唐杰披露100T Token数据目标

11 月 6 日腾讯新闻转载智猩猩AI整理的稿件显示,智谱唐杰近期披露了过往 GLM 的数据工程细节:数据覆盖网页、文档、书籍、代码、视频和音频六类来源,规模分别达 1 万亿页、20 亿份、5000 万本、5 亿个仓库、100 亿条及 3 亿小时;他将数据配方的重要性形容为预训练人员的「命」。

在数据规模上,唐杰透露下一阶段目标是 100T Token,约为 GLM-5 所用 28.5T 的 3.5 倍。上述材料同时指出,高质量公开文本供给不足 30T Token,如何扩大有效数据规模将成为后续训练的重要问题。