蒸馏与合成数据项目：先确定授权、质量标准和验收集

先写出一页项目说明#

明确目标任务、最终使用场景、学生模型、输入来源、输出用途、数量与预算。逐项核对素材权利、隐私处理、上游条款及输出使用限制；无法确认的渠道不应默认用于训练项目。

有些任务用检索、提示词或规则就能满足要求，未必需要训练。先建立基线，确认蒸馏能解决的具体问题，避免把数据数量当成项目效果。

小样本先定标准#

先做少量人工可完整检查的样本，明确输入输出结构和合格条件。比如客服分类应检查类别定义和困难样本；代码任务应运行隔离测试；结构化抽取应验证 Schema、事实来源和缺失字段处理。

不能仅凭模型自评“正确”入库。为常见错误建立标签，例如事实错误、格式错误、答非所问、信息不足却编造、敏感字段未处理。把失败原因反馈给任务设计，而不是只增加生成量。

数据集至少保留哪些字段#

1
sample_id、任务类型、输入来源标识、生成模型与渠道
2
提示词版本、参数、生成时间、用量与费用
3
校验结果、人工审核状态、淘汰原因、数据版本

上述是字段建议，不是声称本站提供现成标注平台。密钥不能进入样本；敏感原文和授权证据应独立受控管理，只给必要人员访问。

去重、切分与污染检查#

先按来源或业务实体划分训练、验证和测试，避免同一问题的轻微改写同时落入训练集和测试集。除了完全重复，还要检查近似重复和模板化回答；少量措辞变化不等于新知识。

测试集应在大规模生成前固定并控制访问。不要把测试答案再作为训练示例；涉及公开基准时，记录可能的数据重叠，谨慎解释成绩提升。

验收看学生模型的结果#

交付数量、格式通过率、人工抽样结果、重复率和成本只是数据验收的一部分。项目效果还需在固定测试集上比较学生模型训练前后表现，记录训练设置和随机性；不能承诺生成某个数量就必然提升多少。

分批生产，每批设置质量门槛、费用上限和异常停止条件。保留可追溯版本，方便回滚有问题的批次。可参考 成本计算 和 模型评测。

如何沟通项目#

通过 蒸馏服务说明 了解对接入口，再按 联系页面 提供任务、授权情况、输出结构、质量标准与预算。不要在首次公开咨询中上传整套私有数据；先确定保密、处理和交付边界，再提供最小必要样本。