## 一、四大数据集的定位、总规模与达成逻辑
本节回应招标文件第 92 页「3.2.6.4 数据集建设及指标要求」的总括要求（b1577），说明四大数据集为什么这样划分、总规模如何构成、规模承诺以什么方式被核验（b1578）。四个数据集的分集要求、其它指标要求以及数据集卡片的字段规范，分别在本节第三至第八部分展开。
### 1. 四个数据集对应企业四条业务主线，不是四个数据仓库
招标文件要求通过数据集加工生产验证服务生成供需计划、产品工艺设计、制造过程、产品质量四大数据集，形成多源汇聚、标准统一、时效性强、模态丰富的行业数据资源池（b1578）。这四个名字不是按系统划分的，也不是按部门划分的，而是按建设单位四条真实的业务主线划分的：订单怎么来、图纸怎么变成工艺、工件怎么被加工出来、质量怎么被判定。建设单位的事务系统覆盖已经成型，产品全生命周期管理、企业资源计划、制造执行、质量管理、仓储与物流、协同办公、数据采集与监控、装备远程运维各有承载，业务数据长期留存。真正缺的不是数据，而是数据之间的关联：同一个物理工件的过程事实分散在若干系统与若干纸质记录中，跨系统追一件事仍要人工对账。
因此我方对这四个数据集的理解是：它们是四组按业务对象重新组织过的、带标注与证据的样本集合，而不是四份导出的数据副本。衡量它们建成没有，看的不是落了多少库表，而是三件事能不能成立：样本能不能绑定到施工号、图号、工单号、炉次、焊道、设备编码这些业务对象上；过程数据与质量结论能不能成对；每一条样本能不能溯源回原始数据、加工链路与工具版本。这三件事构成本节全部规模承诺的前提。
数据集的加工环节（采集、预处理、知识本体、知识库）详见本卷 T1A 节，后六个环节（标注、合成、增强、质检、验证、项目管理）详见 T1B 节，质量评测的依据、指标与实施过程详见服务方案卷 S3 节。本节只回答一个问题：四个数据集各自装什么、装多少、怎么证明装够了。
### 2. 四大数据集总规模
招标文件分四张表给出了四个数据集的规模要求（b1582、b1587、b1592、b1597）。我方按原表数值承接，汇总如表 1。表中「Token」即词元，是语言模型处理文本时的基本计量单位，其计量规则见本节第二部分。
表 1 四大数据集规模要求与我方承接汇总
| 用途子集 | 供需计划 | 产品工艺设计 | 制造过程 | 产品质量 | 合计 | 对应招标文件单元 |
|---|---|---|---|---|---|---|
| 预训练数据集（亿 Token） | 276 | 70 | 105 | 164 | 615 | b1583r02、b1588r02、b1593r02、b1598r02 |
| 指令微调数据集（万条） | 40 | 10 | 15 | 24 | 89 | b1583r03、b1588r03、b1593r03、b1598r03 |
| 强化学习偏好数据（万组） | 3.2 | 0.8 | 1 | 1.6 | 6.6 | b1583r04、b1588r04、b1593r04、b1598r04 |
| 基准测试数据集（万条） | 0.4 | 0.1 | 0.2 | 0.25 | 0.95 | b1583r05、b1588r05、b1593r05、b1598r05 |
表 1 数据来源：招标文件第 92—94 页表格 3-1 至表格 3-4 原值；四集合计与招标文件第 45 页项目数据质量目标所列下限（预训练 ≥600 亿 Token、指令微调 ≥80 万条、强化学习偏好 ≥6 万组、基准测试 ≥0.9 万条，b0670）及第 46 页业务范围（b0683）一致，合计值均高于下限。
四张分集表的表头行（b1583r01、b1588r01、b1593r01、b1598r01）为招标文件原表的列标题，我方在表 1 中以「用途子集 / 数据集」二维形式合并呈现，分集原表在第三至第六部分各自原样复现，便于评标委员会逐表对照。
两组数值的关系需要说明清楚。项目目标层写的是下限（b0670、b0683），分集表写的是分配值（b1583r02 等）。我方以分集表的分配值作为生产计划与交付承诺的依据，合计 615 亿 Token、89 万条、6.6 万组、0.95 万条；相对目标下限分别留出 15 亿 Token、9 万条、0.6 万组、0.05 万条的余量。这个余量不是用来宣称超额的，它的用途是吸收质检与验证环节的剔除量。去重、脱敏剔除、标注返工、分布均衡性削峰都会减少可发布样本。没有余量，交付前就只剩下降低质检门槛这一条路。
### 3. 四大数据集与十一个验证场景的供数关系
招标文件要求建成的数据集支撑不少于 11 个行业细分任务场景（b0674），业务范围列明了六个专业场景与五个通用场景（b0684）。四大数据集与这些场景不是一对一关系：一个场景可能取多个数据集的子集，一个数据集也服务多个场景。本包只承担数据集加工生产、质量评测与场景验证，智能场景本身的建设不在本包范围内，因此下图画的是供数与验证反馈的流向，不是场景的实现架构。
### 图 1 四大数据集的供数关系与规模核验链路
图 1 四大数据集的供数关系与规模核验链路。数据来源：数据集划分与规模依招标文件第 92—94 页表格 3-1 至表格 3-4（b1583、b1588、b1593、b1598）；场景清单依第 46 页 2.2 业务范围（b0684）；核验与移交环节依第 91—92 页 3.2.6.3.9、3.2.6.3.10（b1561、b1567、b1575）。
### 4. 规模承诺的表述方式
规模数值是承诺，我方按表 1 所列数值组织生产并作为交付依据。覆盖度、完整度、准确率一类比例指标与规模不同，它们受源系统开放范围、历史记录完整度与标注人力影响。这类指标我方一律按「基线值—目标值—未达时的处置」三档写明，表述为逐步接近目标值，不作绝对化承诺。例如多模态样本占比的目标是不低于 40%（b1601r03），我方给出的测算值为 45.9%，同时写明测算所依据的条数口径，以及口径若在蓝图设计阶段被重新定义时的调整办法。这样处理的理由很直接：写进投标文件的指标，将来要由我方自己应答。
## 二、规模计量规则与达成的验证方式
本节回应招标文件第 92—95 页四张规模表与其它指标要求表所隐含的计量问题（b1582、b1587、b1592、b1597、b1600）。招标文件给出了数值，没有给出计量口径；而「615 亿 Token」按不同分词器、不同去重时点、是否计入合成数据，结果可以相差一倍以上。规模是本包最硬的交付承诺之一，口径不先定死，验收时双方对同一批数据会得出不同结论。本部分先定口径，再定核验方式。
### 1. 计量规则
我方建议在蓝图设计阶段以《数据集规模计量规则》形式与建设单位书面确认下表口径，并在每一版数据集卡片中声明本版所用的规则版本号（规则版本一经确认，同一数据集的历次版本不得中途更换，否则版本间规模不可比）。
表 2 数据集规模计量规则
| 计量项 | 单位 | 计量口径 | 计量时点 | 不计入的情形 |
|---|---|---|---|---|
| 预训练数据集 | 亿 Token | 以项目统一确认的分词器对发布态文本计量；图像、时序、视频等非文本模态按其结构化描述文本与标注文本计量，不按像素或采样点折算 | 去重、脱敏、质检通过并发布之后 | 未通过质检的批次；被去重判定为重复的副本；仅存在于中间加工态的临时文本 |
| 指令微调数据集 | 万条 | 一条＝一组「指令＋输入＋参考输出」，同一指令配不同输入计多条，同一输入配多个等价参考输出计一条 | 同上 | 仅改写措辞而语义等价的扩增副本（计入增强批次台账，不计入规模） |
| 强化学习偏好数据 | 万组 | 一组＝同一提问下的一对或多对可比较回答及其偏好序，含偏好理由字段方计为有效组 | 同上 | 缺偏好理由或标注员间不一致未裁决的组 |
| 基准测试数据集 | 万条 | 一条＝一个带唯一正确答案或评分细则的评测样本，须与训练用样本按来源与时间双重隔离 | 冻结发布之后 | 与指令微调集存在来源同批或内容重叠的样本 |
| 数据条数（占比指标的分母） | 万条 | 四个用途子集中以条或组为计量单位的样本合计；预训练集以 Token 计量，其篇章级样本条数单列统计，默认不计入占比分母 | 同上 | 同上各项 |
表 2 数据来源：计量项与单位依招标文件表格 3-1 至表格 3-4（b1583r02—r05 等）；隔离要求依第 91 页 3.2.6.3.9 对基准评测子集固化评测协议的规定（b1554）；去重与分布控制依第 90 页数据集质检环节要求，具体方法见本卷 T1B 节。
有两条规则需要特别交代。其一是合成数据的计入上限。招标文件要求建设数据合成与数据增强环节（3.2.6.3.6、3.2.6.3.7），合成样本是达成规模的正当手段，但合成样本的知识密度低于真实样本。招标文件已明确要求按用途子集控制合成数据占比，且基准评测子集不得使用任何形式的合成数据（b1512、b1513）。我方据此给出具体上限：预训练子集不高于 30%，指令微调子集不高于 45%，偏好子集不高于 50%，基准测试子集为零——基准集全部来自真实业务样本并经人工裁定。该上限写入数据集卡片的内容特征字段，由质检环节自动统计并在超限时阻断发布。其二是多模态样本的 Token 换算。图纸、缺陷图像、过程曲线本身不产生 Token，产生 Token 的是它们的结构化描述与标注文本。我方不采用把图像折算为等效 Token 的做法，原因是折算系数无公认依据，一旦采用，规模数字就无法被第三方复算。
### 2. 规模达成的三道核验
规模达成不靠人工报数，靠三道可复算的核验，如图 1 下半部所示。
第一道是工具链自动计量。数据集质量与分布控制类工具链在每一批次发布前自动输出规模统计（样本数、Token 数、模态构成、时效性分布、合成样本占比、重复率），统计脚本与分词器版本随数据集一同封装，建设单位或第三方可在脱离平台的环境中复算（b1569、b1570）。工具链本身的功能要求见本卷 T2C 节。
第二道是数据集资产台账复核。按招标文件要求，各版本的样本规模、模态构成、时效性占比、许可状态与使用情况记入资产台账（b1573、b1574）。台账与自动计量结果逐版本对账，差异超过 0.5% 的版本不予发布，须先定位差异来源。台账按月出具一份增量报表提交建设单位数字化转型工作办公室。
第三道是第三方评测。招标文件要求完成首轮全量评测与缺陷整改复测并输出正式盖章评测报告（b0688），评测指标体系中的「规模完整性」一项即衡量数据集规模是否满足目标场景预先定义的要求（b2076、b2077）。我方以第三方评测结论作为规模达成的最终认定依据。评测依据、指标与实施过程详见服务方案卷 S3 节，本节不重复论述。
### 3. 分期达成计划与未达量的处置
建设周期至 2028 年 5 月。规模不是在末期一次性堆出来的，我方按四期组织生产，每期设累计达成下限，如表 3。各期的达成下限是阶段验收的核对口径，也是发现偏差后尚有时间纠偏的前提。
表 3 四大数据集规模分期累计达成下限
| 用途子集 | 第一期（口径与基线，合同生效起 3 个月内） | 第二期（主体加工，至第 9 个月） | 第三期（补齐与均衡，至第 18 个月） | 第四期（规模达成与复测，至 2028-05） |
|---|---|---|---|---|
| 预训练（亿 Token） | ≥61.5（10%） | ≥277（45%） | ≥523（85%） | 615（计划值） |
| 指令微调（万条） | ≥7.1（8%） | ≥31.2（35%） | ≥71.2（80%） | 89（计划值） |
| 强化学习偏好（万组） | — | ≥1.65（25%） | ≥4.6（70%） | 6.6（计划值） |
| 基准测试（万条） | ≥0.19（探路集，20%） | ≥0.48（50%） | 0.95（首版冻结） | 0.95（第二版冻结并复测） |
| 阶段主要产出 | 计量规则确认、数据集卡片模板定稿、对象主键映射表、四集各一个样例批次 | 四集预训练子集首版发布、指令微调主任务类型覆盖齐 | 模态与时效占比达标测算复核、分布均衡性整形完成 | 首轮全量评测与缺陷整改复测（b0688）、资产台账终版、移交登记 |
表 3 数据来源：规模值依表 1；期次划分依招标文件第 1 页建设周期与第 92 页数据集项目管理按版本组织产出的要求（b1567）；基准集冻结与复测依第 91 页 3.2.6.3.9（b1554、b1561）与第 46 页评测要求（b0688）。
某一期出现未达量时，按下列顺序处置，不以降低质检门槛的方式补量：先核对是不是源系统开放范围未到位——若某一业务域的只读接口尚未开通，该域样本转为人工补录与纸质数字化两条替代路径，并在数据集卡片的局限性字段如实记录覆盖缺口；再核对是不是标注产能不足——若标注一致率低于阈值导致大批返工，优先扩充预标注与一致性校验工具链的使用比例，而非放宽一致率要求；最后才动用合成与增强补量，且严格受前述合成占比上限约束。四期全部走完仍存在缺口的子集，我方按实际达成量交付并在验证报告中单列缺口清单与成因，不以合成样本填平数字。
### 4. 本节数值的性质
本节及第三至第七部分中，凡标注「测算」的数值（各集内部的来源构成、模态构成、时效构成、占比测算）均为我方依据现有资料做出的规划测算，用于说明达成路径与资源安排，最终值随现场数据盘点与蓝图设计确认后在数据集卡片中更新。凡来自招标文件原表的数值（表 1、各集规模表、其它指标要求表）是我方的交付承诺，不随盘点结果变动。两类数值在各表的来源说明中分别标明。
## 三、供需计划数据集
本节回应招标文件第 92 页「3.2.6.4.1 供需计划数据集」全部要求（b1579、b1580、b1581）及其规模表（b1582、b1583r01—b1583r05）。
### 1. 业务主线与当前的数据困难
招标文件要求本数据集面向「以销定产、以产定采」的供需协同业务主线，聚焦产品智能选型、库存计划优化等业务场景，整合销售、合同、订单、客户、产品、库存、采购、排产等全链路业务数据与历史经验文档，构建覆盖「需求识别—方案匹配—合同合规—产销协同—资源调度」全流程的高质量数据集（b1580）。
这条主线上的数据困难有三处，数据集的设计必须正面处理它们。第一处在需求输入端。装备按矿井工作面条件定制，选型输入并非全部来自客户单方面提供的文档：产量与作业制度类参数来自矿方生产规划，地质与煤质类参数来自矿方地质条件报告，而截深、截高、推移步距一类接口参数是矿方与配套装备各方会商妥协后确定的，往往只存在于交流过程中，没有规范的电子留痕。第二处在历史方案端。历史选型方案以文档形式散存，没有结构化库；更关键的是方案留存时未随结论一并留存输入参数，投运之后用得好不好也没有回到选型环节。第三处在口径端。库存口径存在多套并存的情况，商机与成交的对应关系未回溯对齐，余料无可用尺寸台账，外购有效提前期无历史统计。
招标文件进一步要求，通过建设本数据集把沉淀于各业务系统、历史方案与专家头脑中的经验显性化、结构化，支撑「人工智能＋供需计划」的全流程智能决策（b1581）。「专家头脑中的经验」这半句对数据集建设是一条实质要求：它意味着本集中必须有一部分样本不是从系统里导出来的，而是通过结构化访谈、历史方案回溯标注与业务规则提炼生成的。我方把这部分列为独立的生产任务，配专门的采集模板与审核流程，不与系统导出批次混同计量。
### 2. 规模要求与分解
招标文件表格 3-1 原值如表 4，我方按原值承接。
表 4 供需计划数据集数据规模要求（招标文件表格 3-1 原表）
| 供需计划数据集 | 数据集规模 | 单元 |
|---|---|---|
| 预训练数据集（亿 Token） | 276 | b1583r02 |
| 指令微调数据集（万条） | 40 | b1583r03 |
| 强化学习偏好数据（万组） | 3.2 | b1583r04 |
| 基准测试数据集（万条） | 0.4 | b1583r05 |
表 4 数据来源：招标文件第 92 页表格 3-1（b1582、b1583r01—r05）原值。
预训练子集 276 亿 Token 的来源构成测算如表 5。表中各行之和等于 276，构成比例在现场盘点后可调整，总量不变。
表 5 供需计划数据集预训练子集来源构成（测算）
| 来源类别 | 亿 Token | 主要承载系统或资料 | 模态 | 加工要点 |
|---|---|---|---|---|
| 销售与合同文本（含技术协议、投标与选型方案） | 68 | 协同办公、企业文档 | 文本 | 按合同主体与项目号绑定；敏感商务条款按密级分级处置 |
| 订单、排产与产销协同记录 | 54 | 企业资源计划、制造执行 | 文本（结构化转述） | 结构化记录转为自然语言陈述句式后计量，保留原字段映射 |
| 客户与矿方工况、地质资料 | 42 | 协同办公、企业文档、项目归档 | 文本＋图像 | 纸质资料数字化后版面还原；工况参数抽取为参数表并与原文定位绑定 |
| 产品与部件型谱、物料主数据与价格 | 38 | 产品全生命周期管理、企业资源计划 | 文本＋图像 | 标准件库补齐适用条件、替代关系、在产状态三项字段 |
| 库存、采购与到货记录 | 34 | 企业资源计划、仓储管理与物流执行 | 文本 | 多套库存口径统一到同一时点口径后入集，口径映射表随集发布 |
| 供需协同经验与会商结论整理 | 26 | 结构化访谈、历史方案回溯 | 文本 | 本集中无系统承载的部分，按专项生产任务组织 |
| 行业与政策公开语料（许可范围内） | 14 | 公开渠道 | 文本 | 逐条登记来源与许可凭证，不可商用的不入集 |
| 合计 | 276 | — | — | — |
表 5 数据来源：总量依表 4；来源类别依招标文件 b1580 所列业务数据范围；承载系统依第 46 页实施范围（b0680）与我方对建设单位现有系统条件的理解。构成比例为测算值。
### 3. 用途子集的内容设计
指令微调子集 40 万条按任务类型分解：产品智能选型问答与校核推理 13 万条、库存与补货计划决策 9 万条、合同与技术协议合规问答 7 万条、产销协同与排产调度 6 万条、客户与工况参数抽取 5 万条。选型类样本是本集中技术含量最高的一部分，其设计依据是建设单位现有公式的性质。现有公式是校核公式而不是正算公式，工程师必须先凭经验预设一整套配置，再连同工况参数代入验算。因此选型类样本不能只做「给参数出结论」的问答对，必须包含配置候选的生成、逐项校核的中间步骤与排序理由，样本结构为「工况参数＋候选配置＋校核过程＋排序结论＋理由」五段式。这类样本的思维链部分由思维链构建类工具链生成初稿、由业务专家裁定，工具链要求见本卷 T2A 节。
强化学习偏好数据 3.2 万组按偏好对象分解：选型推荐排序偏好 1.4 万组、补货方案取舍 0.9 万组、合同风险提示措辞 0.5 万组、报告底稿质量 0.4 万组。偏好标注的判据来自两处：历史方案的投运使用评价分级，以及资深工程师对候选排序的裁定。前者当前无系统性记录，须在既有流程中增设填报入口由系统预填、经手人确认，属于本集需要从零补录的字段，我方在数据集卡片的局限性字段中如实记录其覆盖进度。
基准测试子集 0.4 万条按能力维度分解：选型校核 0.16 万条、库存决策 0.12 万条、合同合规 0.07 万条、参数抽取 0.05 万条。本子集与指令微调子集按来源与时间双重切分隔离：来源切分指基准样本取自未被用于训练的项目集合，时间切分指基准样本的业务发生时间晚于训练样本的截止时间。隔离一旦建立不得回填，否则评测结果会系统性偏高。
### 4. 模态与时效构成
本集以文本为主，多模态样本来自矿方资料扫描件、构件图与选型图、报表图片。以条为单位的样本合计 43.6 万条（40＋3.2＋0.4），其中多模态样本测算 6.54 万条，占 15%；三年内数据条数测算 23.98 万条，占 55%。时效性占比较高的原因是合同、订单、库存与采购记录近三年的留存与填写完整度明显好于更早期间；客户关系管理系统正在上线、历史数据较少，其项目与商机数据基本全部落在三年内。四集汇总后的占比核算见本节第七部分。
### 5. 本集的局限性与回退
本集有两处已知局限，须写入数据集卡片并在验证报告中复述。一是配套接口参数的会商结论无电子留痕，只能通过历史方案回溯与结构化访谈部分还原，覆盖度以项目为单位统计，近三年项目优先；无法还原的项目在样本中以缺失标记显式保留，不做插补。二是历史方案的投运使用评价须从零补录，补录进度取决于业务流程改造的推进，若至第三期末覆盖度仍低于测算值，偏好子集中「选型推荐排序偏好」一项的样本来源由投运评价为主调整为专家裁定为主，样本量不变，并在卡片中标注来源构成的变化。
## 四、产品工艺设计数据集
本节回应招标文件第 93 页「3.2.6.4.2 产品工艺设计数据集」全部要求（b1584、b1585、b1586）及其规模表（b1587、b1588r01—b1588r05）。
### 1. 业务主线与本集的特殊之处
招标文件要求本数据集面向研发设计与工艺设计核心业务，聚焦板材备料工艺设计等业务场景，整合企业沉淀的二维图纸、工艺卡片、标准工序、机械制图专业知识等多模态资源，构建覆盖「图纸识别—特征提取—工序设计—工艺卡片生成—审查校核—排料优化」全流程的高质量数据集（b1585）；并要求沉淀「图纸—特征—工序—卡片—参数」的全链路工艺知识（b1586）。
本集与其余三集相比有一处结构性优势。建设单位历史图纸约 63 万张，且每一张图纸历史上都配有一张已审核签发的工艺卡片，天然构成成对的监督样本。这是四个数据集中唯一一处规模化、已审核、天然成对的监督数据，是本集预训练与指令微调子集的主要来源。与之相对的困难有两处：图纸与工艺卡片的配对关系存在于人的记忆与文件目录中，没有稳定的主键关联；图号与命名规则不统一，同一零件在不同项目中的图号可能不同。因此本集的第一项工作不是解析图纸，而是重建配对关系。
还有一处业务事实决定了本集的工序标签体系。备料分厂的工序集合是固定且封闭的，现掌握的口径为 28 道，以工艺部门确认的正式工序字典为准。工序集合封闭意味着工序设计任务是一个有限标签上的选择与排序问题，而不是开放生成问题——这对标注规范、一致性校验与评测设计都有直接影响：标签空间有限，标注员间一致率可以严格统计；排序结果可以用序列相似度而非文本相似度评分。招标文件要求的工序字典与分档规则当前未成文，我方按本卷 T1A 节的知识本体建设路径先行固化，再据以标注。
### 图 2 图纸与工艺卡成对样本的形成路径
图 2 图纸与工艺卡成对样本的形成路径。数据来源：图纸与工艺卡片成对关系依建设单位数据条件（历史图纸约 63 万张，每张配一张已签发工艺卡片）；工序道数 28 道以工艺部门确认的正式工序字典为准；加工环节划分依招标文件第 93 页 b1585 所列全流程。
### 2. 规模要求与分解
招标文件表格 3-2 原值如表 6。
表 6 产品工艺设计数据集数据规模要求（招标文件表格 3-2 原表）
| 产品工艺设计数据集 | 数据集规模 | 单元 |
|---|---|---|
| 预训练数据集（亿 Token） | 70 | b1588r02 |
| 指令微调数据集（万条） | 10 | b1588r03 |
| 强化学习偏好数据（万组） | 0.8 | b1588r04 |
| 基准测试数据集（万条） | 0.1 | b1588r05 |
表 6 数据来源：招标文件第 93 页表格 3-2（b1587、b1588r01—r05）原值。
表 7 产品工艺设计数据集预训练子集来源构成（测算）
| 来源类别 | 亿 Token | 主要承载系统或资料 | 模态 | 加工要点 |
|---|---|---|---|---|
| 图纸解析结构化文本（图元、尺寸、标注、图层、视图投影关系） | 24 | 产品全生命周期管理 | 图像＋文本 | 直接解析原生图纸文件，不依赖截图识别；解析在内网就地进行 |
| 历史工艺卡片与工序字典 | 18 | 产品全生命周期管理、工艺归档 | 文本 | 卡片字段标准化；工序名称统一到 28 道封闭字典 |
| 机械制图与工艺专业知识、标准规范 | 11 | 企业文档、外部标准 | 文本＋图像 | 粗糙度、坡口、倒角、公差等符号表达的加工要求逐项成条 |
| 设备与工装、样板台账、压弯与排料参数 | 9 | 设备档案、工装台账 | 文本 | 设备编码、工装压模号、样板号与工序关联 |
| 工艺变更与审查记录 | 5 | 协同办公、工艺归档 | 文本 | 每次修改归因后成条，是偏好样本的来源 |
| 排料与定额计算过程记录 | 3 | 工时定额、工艺归档 | 文本 | 中性层公式与展开长换算过程完整留存，供确定性校验 |
| 合计 | 70 | — | — | — |
表 7 数据来源：总量依表 6；来源类别依 b1585、b1586 所列资源范围与全链路知识要求；构成比例为测算值。
### 3. 用途子集的内容设计
指令微调子集 10 万条按任务类型分解：图纸特征抽取与识读 3.2 万条、工序选择与排序 2.8 万条、工艺卡片字段生成 1.9 万条、展开长与定额计算 1.2 万条、工艺审查与差异比对 0.9 万条。
有一条设计原则需要写明：展开长与材料定额这一类计算，样本的参考输出给的是计算过程与依据参数，而不只是结果数值。理由与业务风险直接相关。材料定额中的下料尺寸写错，钢板割下来就是废料，出错代价并不对称。样本给出过程，评测时才能分辨「结果对但过程错」与「过程对但参数取错」，上线后也才能把确定性计算交给程序、把参数判断交给模型。这一条同时决定了本集基准测试子集的评分方式：按中间参数与最终结果分别判分。
强化学习偏好数据 0.8 万组按偏好对象分解：工序排序方案优劣 0.35 万组、卡片填写规范性 0.25 万组、可借用工艺推荐 0.2 万组。偏好判据的主要来源是工艺变更与审查记录。一张卡片从初稿到签发之间的修改痕迹，本身就是一组偏好对。这类样本的采集成本低于专门组织的人工偏好标注，我方优先使用。
基准测试子集 0.1 万条按能力维度分解：图纸识读 0.04 万条、工序设计 0.03 万条、定额计算 0.02 万条、工艺审查 0.01 万条。本子集规模在四集中最小，但对评测的敏感度最高，我方按零件类型（板材切割件、压弯件、带孔件、带坡口件）与板厚档位分层抽样，使每一层的样本量不低于 50 条，避免小样本上出现层内空白。
### 4. 模态与时效构成
本集是四集中多模态占比最高的一集。以条为单位的样本合计 10.9 万条（10＋0.8＋0.1），其中多模态样本测算 9.27 万条，占 85%——绝大多数样本都带有图纸或图纸局部视图。三年内数据条数测算 2.725 万条，占 25%，是四集中最低的一集。原因是 63 万张历史图纸横跨十余年，近三年新增图纸只占其中一小部分。这个低占比在四集汇总后由制造过程与产品质量两集补平，具体核算见本节第七部分；本集自身不单独追求时效性占比达标，因为工艺知识的有效期远长于过程数据，为提高时效占比而削减历史样本会损失本集最有价值的部分。
### 5. 本集的局限性与回退
本集的关键前提是原生图纸文件可解析。招标文件实施范围覆盖工艺研究分院与备料加工分厂（b0680），但建设单位的产品全生命周期管理系统原生图纸不支持整批导出，须按图号或项目开通只读读取。若接口开通范围受限，本集按以下顺序回退：优先解析已导出的近期项目图纸，其余按项目批次分批开通；仍不可得的部分改以工艺卡片侧的结构化文本为主、图纸侧以缩略图与关键尺寸摘要替代，预训练子集总量不变而图纸解析类来源的占比下调，缺口由工艺卡片与专业知识两类来源补足。该调整须在数据集卡片的建设过程字段中记录，并在验证报告中说明对图纸识读类能力评测结果的影响。
## 五、制造过程数据集
本节回应招标文件第 93—94 页「3.2.6.4.3 制造过程数据集」全部要求（b1589、b1590、b1591）及其规模表（b1592、b1593r01—b1593r05）。
### 1. 业务主线与本集的核心瓶颈
招标文件要求本数据集面向生产制造核心环节，聚焦热处理过程控制、焊接过程控制、刮板运输装备智能健康诊断等业务场景，整合热处理、焊接、关键设备运行的多模态过程数据与运维知识，构建覆盖「过程感知—参数控制—缺陷识别—健康诊断—预测性维护」全流程的高质量数据集（b1590）；并要求沉淀热处理参数与外观缺陷、焊接参数与质量缺陷、设备运行与故障根因之间的映射关系（b1591）。
这三组映射关系是本集的全部价值所在，也是本集最难的地方。建设单位的过程参数已在采集并长期保存，数据采集与监控系统覆盖部分车间与部分设备，热处理与产线设备的测点采样周期通常为秒级。量不少，但三处关联都没建立：炉次、工件、材料批次、实际曲线与检测结果之间无稳定关联；焊接的过程参数、熔池视觉与缺陷检测结果三者割裂；在役装备的历史数据无事件级标签，故障记录与数据段没有配对。
所以本集的瓶颈是数据对不上而非体量不够。我方把本集的第一项工作定为建立三条对齐链：热处理按「炉次—装炉工件清单—材料批次—设定程序—实际曲线—检验结论」对齐；焊接按「工单—部件—焊缝—焊道—时间窗—参数流—质检结果」对齐；健康诊断按「设备—部件—测点—时间窗—报警事件—维修事实」对齐。三条链建立之后，预训练与指令微调样本才有意义；在此之前采集到的过程数据只能作为无标签时序语料，我方在计量上单列，不与成对样本混同。
### 图 3 过程数据与质量结论的配对与责任边界
图 3 过程数据与质量结论的配对与责任边界。数据来源：映射关系依招标文件第 94 页 b1591；焊接缺陷图像在两集中的归属依 b1590 与 b1595 的交叉表述，按本节所述归属规则处理；采样周期与采集覆盖范围依建设单位现有数据采集与监控系统条件。
### 2. 规模要求与分解
招标文件表格 3-3 原值如表 8。
表 8 制造过程数据集数据规模要求（招标文件表格 3-3 原表）
| 制造过程数据集 | 数据集规模 | 单元 |
|---|---|---|
| 预训练数据集（亿 Token） | 105 | b1593r02 |
| 指令微调数据集（万条） | 15 | b1593r03 |
| 强化学习偏好数据（万组） | 1 | b1593r04 |
| 基准测试数据集（万条） | 0.2 | b1593r05 |
表 8 数据来源：招标文件第 94 页表格 3-3（b1592、b1593r01—r05）原值。
表 9 制造过程数据集预训练子集来源构成（测算）
| 来源类别 | 亿 Token | 主要承载系统或资料 | 模态 | 加工要点 |
|---|---|---|---|---|
| 热处理炉次过程时序 | 31 | 数据采集与监控、热处理群控、物联网与设备数据平台 | 时序 | 秒级原始数据按工艺段降采样后编码；保留原始段落指针供回溯 |
| 焊接设备与机器人参数时序 | 27 | 数据采集与监控、焊接产线控制 | 时序 | 按焊道切段；段内统计量与偏离描述一并成文 |
| 在役装备运行时序与报警日志 | 21 | 装备远程运维平台 | 时序＋文本 | 工况分段后入集；三机联动耦合干扰段单独标记 |
| 工单、工序流转与报工记录 | 13 | 制造执行 | 文本 | 报工时点滞后的情形以实际作业时间区间表示，不按报工时点对齐 |
| 运维与检修知识、故障名录与机理 | 9 | 售后服务与备件管理、企业文档 | 文本 | 故障名录与四档证据分级口径统一后成条 |
| 装载与码装、计量校验记录 | 4 | 热处理分厂记录、计量管理 | 文本＋图像 | 当前无结构化记录，按增设填报入口方式补录 |
| 合计 | 105 | — | — | — |
表 9 数据来源：总量依表 8；来源类别依 b1590、b1591 所列过程数据与运维知识范围；承载系统依第 46 页实施范围（b0680）；构成比例为测算值。
### 3. 用途子集的内容设计
指令微调子集 15 万条按任务类型分解：热处理曲线偏离识别与处置建议 4.3 万条、焊接参数窗口与偏差归因 4.1 万条、设备健康异常判断与检查顺序 3.6 万条、工单与工序流转问答 1.8 万条、计量与装载登记规范问答 1.2 万条。
时序类样本的构造方式需要说明。时序数据本身不适合直接作为语言模型样本，我方的做法是三段式：原始段落的指针与元数据（设备、测点、时间窗、工况段）、段落的结构化统计描述（设定值、实际值、偏离幅度与方向、持续时长、分段趋势）、以及任务相关的参考输出（偏离判定、可调量建议、检查顺序）。原始波形不进入样本正文而以指针保留，这样样本可读、可评、可复算，同时不丢失回溯能力。对仅有分钟级均值的设备，样本在元数据中标注粒度档位，评测时按档位分层统计，避免把粒度不足造成的误差记到模型能力上。
强化学习偏好数据 1 万组按偏好对象分解：处置建议优劣 0.45 万组、归因结论可信度 0.35 万组、检查顺序合理性 0.2 万组。偏好判据取自工艺人员与检修人员的实际选择：同一异常下实际采取的措施与未采取的候选措施构成一组偏好对。这类样本须在既有流程中增设处置记录的填报入口，由系统预填、经手人确认，属于本集需从零补录的部分。
基准测试子集 0.2 万条按业务场景均分为热处理 0.07 万条、焊接 0.07 万条、健康诊断 0.06 万条。三类样本一律按「同材料批次、同装炉方式」或「同型部件、同工况段」分组抽样，使评测能够反映横向比对能力而不只是单段判别能力。
### 4. 模态与时效构成
以条为单位的样本合计 16.2 万条（15＋1＋0.2），其中多模态样本测算 12.96 万条，占 80%——本集样本大多包含时序段落或设备图像。三年内数据条数测算 13.77 万条，占 85%，是四集中最高的一集。原因是采集覆盖范围近年才逐步扩展，更早期间的过程数据在测点覆盖与采样粒度上多数不满足入集条件。
### 5. 本集的局限性与回退
本集有三处已知局限。一是预热温度与层间温度当前无采集手段，熔池状态与气体波动无实时监测，这部分数据须随感知设备到位后才能产生，硬件选型见本卷 T6 节；在设备到位前，相关样本以工艺文件参数窗口与事后检验结论构造，样本量按比例下调并在卡片中标注。二是在役装备缺少部件级振动测点与轴上角位置基准，键相信号缺失时结论只能止于测点级；本集对应样本按证据等级分档标注，不同档位的样本在评测中分层统计。三是故障样本须靠维修事实回填与历史回溯配对形成，覆盖进度不由我方单方面决定；若至第三期末配对样本不足，健康诊断类指令微调样本的来源由真实事件为主调整为故障机理知识与模拟工单生成为主，并在验证报告中说明该调整对诊断类能力评测结论的限制。
## 六、产品质量数据集
本节回应招标文件第 94 页「3.2.6.4.4 产品质量数据集」全部要求（b1594、b1595、b1596）及其规模表（b1597、b1598r01—b1598r05）。
### 1. 业务主线与两集之间的归属边界
招标文件要求本数据集面向全流程质量管控核心业务，以产品质量检验为主线，融合生产过程中的焊接缺陷图像等关键质量数据，构建覆盖「原材料检验—过程质量—成品质检—质量追溯」全流程的高质量数据集（b1595）；并要求沉淀「工艺—过程—质量结果」的全链路映射关系（b1596）。
招标文件在两处提到焊接相关数据：制造过程数据集要求整合焊接过程的多模态过程数据（b1590），产品质量数据集要求融合焊接缺陷图像等关键质量数据（b1595）。同一批业务数据在两集中都有落点，若不定归属规则，同一条样本会被计量两次，规模数字就不可信。我方的归属规则是按「过程侧／结果侧」切分：焊接与热处理的工艺参数、设备状态、过程时序归制造过程数据集；检验结论、缺陷判级、无损检测结果、缺陷图像及其标注归产品质量数据集；二者的成对关系以对象标识双向引用实现，引用不产生新的计量条目。这条规则也写入数据集卡片的内容特征字段，供第三方评测时核对重复内容程度（b2005、b2006），该项检测由评测机构按其指标体系执行，详见服务方案卷 S3 节。
本集的现场困难有两处。质量管理系统新上线、正在推行，缺陷描述为文字且未与工艺参数关联；外观、超声与磁粉三类检测的位置口径不一致，同一条焊缝在三份报告中的位置表述对不上。此外纸质检测报告数量可观但尚未数字化。因此本集的加工重点不在体量而在三件事：缺陷位置口径统一、缺陷术语归一到统一的缺陷名录与分级、纸质报告的版面还原与字段抽取。
### 2. 规模要求与分解
招标文件表格 3-4 原值如表 10。
表 10 产品质量数据集数据规模要求（招标文件表格 3-4 原表）
| 产品质量数据集 | 数据集规模 | 单元 |
|---|---|---|
| 预训练数据集（亿 Token） | 164 | b1598r02 |
| 指令微调数据集（万条） | 24 | b1598r03 |
| 强化学习偏好数据（万组） | 1.6 | b1598r04 |
| 基准测试数据集（万条） | 0.25 | b1598r05 |
表 10 数据来源：招标文件第 94 页表格 3-4（b1597、b1598r01—r05）原值。
表 11 产品质量数据集预训练子集来源构成（测算）
| 来源类别 | 亿 Token | 主要承载系统或资料 | 模态 | 加工要点 |
|---|---|---|---|---|
| 检验项目与检验记录（含交检拍照） | 46 | 质量管理 | 文本＋图像 | 检验项与工艺编制时标注的关键工序、重要尺寸对应关系随样本保留 |
| 焊接缺陷图像的结构化描述与标注文本 | 38 | 质量管理、产线图像采集 | 图像＋文本 | 缺陷名录与分级统一后标注；位置口径统一到焊缝与焊道坐标 |
| 无损检测报告（超声、磁粉） | 29 | 质量管理、纸质归档 | 文本＋图像 | 纸质报告版面还原后字段抽取；抽取结果须回原文定位 |
| 原材料化验与来料批次记录 | 21 | 质量管理、企业资源计划 | 文本 | 材料批次与炉次、工件的关联在本集中以引用方式保留 |
| 不合格品票、返修与处置流程记录 | 18 | 协同办公、质量管理 | 文本 | 处置结论与返修后复检结果成对 |
| 质量追溯链与质量报告 | 12 | 质量管理 | 文本 | 按施工号、产品号组织追溯链，断链处显式标注 |
| 合计 | 164 | — | — | — |
表 11 数据来源：总量依表 10；来源类别依 b1595、b1596 所列全流程质量数据范围与映射关系要求；构成比例为测算值。
### 3. 用途子集的内容设计
指令微调子集 24 万条按任务类型分解：焊接缺陷分类与定级 7.5 万条、检验项目与判定规则问答 5.6 万条、质量根因追溯链推理 4.8 万条、无损检测报告生成与复核 3.4 万条、不合格品处置与返修决策 2.7 万条。
缺陷分类与定级样本的标注口径必须与判据口径同源。招标文件要求支撑缺陷自动分类与根因追溯（b1596），而建设单位现行判据分布在十一类缺陷与其检出手段的对应关系中。标注规范直接引用该判据，不另立一套标签体系；判据换版时标注规范随之升版，旧版样本保留其当时所依据的判据版本号，不做追溯重标。这样处理的代价是同一缺陷在不同版本样本中可能有不同标签，收益是每条样本的标签都能对应到一份当时有效的判据，评测时可按判据版本分层。两者相比，可追溯比表面一致更重要。
根因追溯链样本是本集中与制造过程数据集联动最紧的一部分。样本结构为「质量结论＋追溯链条（工件、工序、炉次或焊道、材料批次）＋对应过程参数段引用＋根因判断＋依据」。过程参数段本身不在本集中计量，以引用方式指向制造过程数据集的对应段落。
强化学习偏好数据 1.6 万组按偏好对象分解：缺陷判级一致性 0.7 万组、根因解释充分性 0.5 万组、报告表述规范性 0.4 万组。判级一致性类偏好取自多名检验人员对同一缺陷图像的判定差异及最终裁定结果，这类数据在质量管理系统推行过程中会自然产生，我方按月归集。
基准测试子集 0.25 万条按能力维度分解：缺陷分类 0.1 万条、检验判定 0.07 万条、根因追溯 0.05 万条、报告生成 0.03 万条。缺陷分类类基准样本按缺陷类别分层，每类不低于 60 条；对天然稀少但后果严重的缺陷类别，基准样本不足时以人工构造样本补充，构造样本单列标记并在评测报告中与真实样本分别统计，不混合计算准确率。
### 4. 模态与时效构成
以条为单位的样本合计 25.85 万条（24＋1.6＋0.25），其中多模态样本测算 15.51 万条，占 60%——缺陷图像、交检拍照与纸质报告扫描件构成主要部分。三年内数据条数测算 18.095 万条，占 70%。时效占比较高的原因是质量管理系统新上线，结构化检验记录主要产生于近期；更早期间的质量数据以纸质报告为主，数字化批次按项目重要性分批推进。
### 5. 本集的局限性与回退
本集的主要不确定性在纸质报告数字化的工作量。我方按三档组织：近三年的无损检测与化验报告按批次全部纳入数字化范围，完成率逐月统计；三至八年的报告按产品型号抽样数字化，抽样比例按型号的在役台数加权；八年以上的报告仅对发生过重大质量事件的项目数字化。若实际纸质量显著超出盘点预估，本集按上述三档顺序交付，预训练子集的无损检测报告一类来源占比下调，缺口由检验记录与缺陷图像标注文本补足，总量不变。此外，交检拍照的图像质量参差，部分照片不满足缺陷标注要求，这部分图像仅作为场景多样性语料，不进入缺陷分类类样本，相应情况在卡片的局限性字段中说明。
## 七、数据集其它指标要求：模态、多模态占比与时效性占比
本节回应招标文件第 95 页「3.2.6.4.5 数据集其它指标要求」及其表格 3-5 全部三项指标（b1599、b1600、b1601r01、b1601r02、b1601r03、b1601r04）。
### 1. 招标文件要求与我方承接
表 12 数据集其它指标要求（招标文件表格 3-5 原表）与我方承接
| 序号 | 指标项 | 指标要求 | 我方承接口径 | 单元 |
|---|---|---|---|---|
| 1 | 数据模态 | 不低于 3 种 | 建设文本、图像、时序、视频四种模态，高于要求一种 | b1601r02 |
| 2 | 多模态数据条数 | 占比不低于 40% | 按本节口径一测算 45.9%，留 5.9 个百分点余量 | b1601r03 |
| 3 | 3 年内数据条数 | 占比不低于 40% | 按本节口径一测算 60.7%，留 20.7 个百分点余量 | b1601r04 |
表 12 数据来源：指标项与指标要求依招标文件第 95 页表格 3-5（b1600、b1601r01—r04）原值；承接口径测算值依表 13。
表头行 b1601r01 为招标文件原表列标题，在表 12 中原样保留。
模态一项需要指出一处表述差异。表格 3-5 写「数据模态不低于 3 种」（b1601r02），项目数据质量目标与业务范围两处写「数据集涵盖超过 3 种模态（时序数据、图像、文本、视频等）」（b0670、b0683）。「不低于 3 种」与「超过 3 种」在严格读法下分别对应三种与四种。我方按较高要求承接，建设文本、图像、时序、视频四种模态，同时满足两处表述。四种模态的分布不是均匀的：文本遍布四集，图像集中在工艺设计与产品质量两集，时序集中在制造过程集，视频主要用于焊接产线与装配现场的工序记录，规模最小，我方按场景多样性语料的定位建设，不追求其在条数上的占比。
### 2. 占比指标的计量口径
招标文件给出了占比数值，没有定义「数据条数」的统计基数（b1601r03、b1601r04）。四个用途子集的计量单位不统一——预训练集以 Token 计，其余三集以条或组计——因此基数定义直接决定占比结果。我方给出两套口径，以口径一为承接依据，口径二作为备选，最终以蓝图设计阶段与建设单位及第三方评测机构确认的结论为准。
口径一（承接口径）：统计基数为以条或组为计量单位的样本合计，即指令微调 89 万条、强化学习偏好 6.6 万组、基准测试 0.95 万条，合计 96.55 万条。预训练集以 Token 计量，其篇章级样本条数单列统计，不计入分母。采用这一口径的理由是三类以条计量的子集具有同质的计量单位，占比可直接计算与复算。
口径二（备选口径）：将预训练集的篇章级样本条数一并计入分母。此时分母取决于篇章切分粒度，我方按平均 3,000 Token 一条测算，预训练集约 2,050 万条，合计约 2,146.55 万条。该口径下占比结果对切分粒度敏感，我方不建议作为验收依据；若评测机构要求采用，我方据以重新测算多模态与时效样本配比，并相应调整各集的多模态样本生产计划与图像、时序类来源的占比，总规模不变。
### 3. 占比测算
表 13 多模态与时效性占比测算（口径一）
| 数据集 | 条数基数（万条） | 多模态条数（万条） | 多模态占比 | 3 年内条数（万条） | 3 年内占比 | 占比高低的主要成因 |
|---|---|---|---|---|---|---|
| 供需计划 | 43.6 | 6.54 | 15% | 23.98 | 55% | 以合同、订单、库存文本为主；客户关系管理系统新上线，历史数据少，近期数据占优 |
| 产品工艺设计 | 10.9 | 9.27 | 85% | 2.725 | 25% | 图纸与工艺卡成对样本几乎全部带图；历史图纸横跨十余年，近三年新增占比小 |
| 制造过程 | 16.2 | 12.96 | 80% | 13.77 | 85% | 样本以时序段落为主；采集覆盖近年才扩展，早期数据多不满足入集条件 |
| 产品质量 | 25.85 | 15.51 | 60% | 18.095 | 70% | 缺陷图像与检验拍照占相当比重；质量管理系统新上线，结构化记录以近期为主 |
| 合计 | 96.55 | 44.28 | 45.9% | 58.57 | 60.7% | 两项均高于 40% 的要求 |
表 13 数据来源：条数基数依表 1 各集指令微调、偏好、基准三项之和；多模态与时效条数为测算值，依据各集来源构成（表 5、表 7、表 9、表 11）与建设单位各源系统的数据留存状况；占比要求依招标文件 b1601r03、b1601r04。
两项指标的分集差异很大，这是业务事实决定的，不是配比不当。工艺设计集的时效占比只有 25%，制造过程集高达 85%；若按分集各自达标来要求，前者必须削减历史图纸样本，而历史图纸恰是本集最有价值的部分。因此我方按招标文件原文的口径执行。两项指标是对整套数据集提出的（b0670、b0683），在四集汇总层面核算达标，分集占比如实记录在各自的数据集卡片中，不做分集达标承诺。
### 4. 「3 年内」的时点口径与达成保障
「3 年内」以数据集版本的发布日为基准日向前推 36 个月，按业务发生时间而非入库时间判定。按业务发生时间判定的原因是同一批历史数据可能在项目中期才完成数字化入库，按入库时间统计会把十年前的图纸记成当年数据。该口径在数据集卡片的建设过程字段中以「采集时间范围」与「业务发生时间范围」两个字段分别记录，对应评测规范中数据来源一项对采集时间范围的要求（b1939）。
还有一个随时间推移的效应需要交代：基准日逐版本后移，早期入集的样本会陆续退出「3 年内」区间。以 2028 年 5 月的终版为例，基准日之前 36 个月即 2025 年 5 月之后发生的业务数据才计入。我方的处理办法是把近三年数据的持续补充列为常态生产任务，每一版发布前重算时效占比并记入卡片；若某一版测算值低于 45%（即在 40% 的要求上预留 5 个百分点安全边界），该版发布前先补充近期批次，补足后再发布。
### 图 4 模态与时效性占比的达成结构（口径一）
图 4 模态与时效性占比的达成结构（口径一）。数据来源：测算值依表 13；要求值依招标文件第 95 页表格 3-5（b1601r03、b1601r04）。条形长度按占比比例绘制，浅灰为达成部分，竖线为 40% 要求线。
## 八、数据集卡片（数据卡）字段规范
本节给出数据集卡片的字段规范，回应招标文件第 92 页关于每一正式发布版本须产出数据集内容、数据集卡片、版本指纹、质检报告与验证报告的要求（b1567、b1568），以及数据字典与自描述封装文件须使数据集脱离平台后仍能被第三方平台准确解析的要求（b1569、b1570）。数据集项目管理的流程与版本组织方式详见本卷 T1B 节；卡片的可填写模板文件、质检报告模板与验证报告模板详见附录佐证卷 A2 节。本节只定字段及其口径，三处内容不重复。
### 1. 设计原则：卡片就是数据集的说明文档
数据集卡片在本项目中不是一份摘要性文档，它承担的是评测规范中「说明文档」维度的全部举证责任。招标文件要求的三维度评测指标体系中，说明文档维度下设基本信息完整性、内容特征完整性、建设过程完整性、应用说明完整性四组共二十一项指标（b1912—b1958）。这二十一项指标每一项都在问「说明文档是否说明了某件事」。因此我方的做法是把卡片字段与这二十一项指标逐项对应：每一项指标对应卡片中至少一个字段，字段留空即对应指标失分，由平台在发布前自动校验必填字段，缺项则阻断发布。这样安排的好处是说明文档维度的得分不取决于编写人的经验，而取决于字段是否填齐，可核查、可自动化。
卡片同时承担另外两件事：记录本版数据集的已知局限（b1935），以及承载规模、模态与时效三项承诺指标的本版实测值。前者关系到评测规范对局限性说明的要求，也关系到我方对回退情形的如实披露；后者使第三方评测可以直接拿卡片声明值与自己的复算值比对。
### 2. 字段规范
卡片按八组字段组织，共 46 项。前六组对应评测规范说明文档维度的四组指标，后两组对应质检验证与血缘台账要求。
表 14 数据集卡片字段规范
| 组 | 字段 | 填写口径 | 对应要求单元 |
|---|---|---|---|
| A 标识与版本 | 数据集名称 | 四集之一的标准名称，前后一致不换词 | b1578 |
| A | 数据集编号 | 项目统一编号规则，含数据集与用途子集两段 | b1565 |
| A | 用途子集 | 预训练 / 有监督指令微调 / 人类偏好对齐 / 基准评测 | b1565、b1566 |
| A | 版本号 | 主版本.次版本.修订号 | b1567 |
| A | 版本指纹 | 三段式摘要值，算法与计算方式见本节第 3 小节 | b1567、b1568 |
| A | 发布日期 | 正式发布之日 | b1567 |
| A | 责任部门与联系方式 | 【待填：数据集责任部门名称与对外联系邮箱】 | b1923 |
| A | 密级与可流通范围 | 按数据安全规划的密级分档填写 | b1300 类治理要求，见本卷 T4B 节 |
| B 规模与格式 | 样本总数 | 按表 2 计量规则统计 | b1914、b1915 |
| B | Token 总量 | 仅预训练子集填写，注明分词器与规则版本 | b1914、b1915 |
| B | 存储体积 | 发布态压缩前后体积 | b1915 |
| B | 文件类型与编码方式 | 文件格式清单与字符编码 | b1916、b1917 |
| B | 数据结构 | 记录级字段结构定义，指向数据字典 | b1917、b1569 |
| B | 目录组织方式 | 目录树及各目录内容说明 | b1918、b1919 |
| B | 文件命名规则 | 命名各段的含义与取值范围 | b1918、b1919 |
| C 获取与支持 | 获取路径 | 平台内申请入口与审批流程 | b1920、b1921 |
| C | 申请与审批流程 | 申请材料、审批角色与时限 | b1921 |
| C | 技术支持渠道 | 【待填：技术支持邮箱或工单入口】 | b1922、b1923 |
| C | 数据字典 | 字段名、类型、取值域、口径、来源字段映射 | b1925、b1569 |
| C | 解析脚本与示例代码 | 随集发布的读取、校验与抽样脚本 | b1924、b1925 |
| D 内容特征 | 模态类型 | 本版实际包含的模态及各模态样本数 | b1927、b1928、b1601r02 |
| D | 多模态样本占比 | 本版实测值及所用条数口径 | b1601r03 |
| D | 数据分布 | 按业务域、任务类型、样本长度、来源、模态、时间六个维度的分布统计 | b1929、b1930、b1518 |
| D | 标签类别清单 | 全部标签及其定义，指向标注规范 | b1931、b1932 |
| D | 样本示例 | 每一任务类型各一条代表性样本 | b1933、b1934 |
| D | 合成样本占比 | 按用途子集填写，基准子集应为零 | b1512、b1513 |
| D | 局限性说明 | 覆盖缺口、已知偏置、不适用情形 | b1935、b1936 |
| E 建设过程 | 数据来源渠道 | 源系统或资料来源逐项列明 | b1938、b1939 |
| E | 采集时间范围 | 数据进入本项目的时间区间 | b1939 |
| E | 业务发生时间范围 | 样本所述业务事实的发生时间区间 | b1939、b1601r04 |
| E | 3 年内样本占比 | 本版实测值及基准日 | b1601r04 |
| E | 地理区域 | 涉及的矿点或厂区范围，按密级处理后填写 | b1939 |
| E | 采集方法与工具 | 接口读取、文件解析、纸质数字化、人工补录等方式及对应批次 | b1940、b1941 |
| E | 加工处理流程 | 从原始数据到发布态所经环节及各环节工具链版本 | b1942、b1943 |
| E | 标注规范引用 | 标注手册名称与版本号，含标签定义、规则与示例 | b1944、b1945 |
| E | 标注一致性指标 | 标注员间一致率及裁决规则 | b1945 |
| E | 版本变更日志 | 各版本的时间、主要变更内容与变更原因 | b1946、b1947 |
| F 应用说明 | 使用许可 | 授权条款、是否可商用、署名要求 | b1949、b1950 |
| F | 目标应用场景 | 本版支撑的验证场景清单 | b1951、b1952、b0684 |
| F | 评估方法与评测协议 | 推荐指标、判分规则、评测随机种子与复现条件 | b1953、b1954、b1127 |
| F | 基准测试结果 | 基线模型在本版上的评测结果与复现说明 | b1955、b1956 |
| F | 典型应用案例 | 可复现的使用示例 | b1957、b1958 |
| G 质量与合规 | 质检报告引用 | 本版质检报告编号与结论摘要 | b1568 |
| G | 验证报告引用 | 本版验证报告编号与结论摘要 | b1561、b1568 |
| G | 脱敏与隐私处置 | 脱敏规则、处置结论与抽检结果 | b1396 |
| H 血缘与台账 | 上游批次与样本血缘 | 每条样本关联原始数据、处理链路、工具版本、模型版本 | b1151 |
| H | 资产台账引用 | 台账中本版的规模、模态、时效、许可状态与使用情况记录 | b1573、b1574 |
表 14 数据来源：字段设置依招标文件第 92 页 b1567—b1570；对应要求单元依第 112—115 页评测规范说明文档维度指标（b1912—b1958）、第 89—91 页加工环节要求与第 92 页项目管理要求。
### 3. 版本指纹与自描述封装
版本指纹用于回答一个问题：拿到手的这份数据集，是不是卡片所描述的那一份。我方采用三段式摘要，摘要算法采用国产商用密码杂凑算法，与本卷 T10 节的国密要求一致。第一段是内容摘要，对每一个样本文件逐个计算摘要值，形成校验清单；第二段是清单摘要，对校验清单整体计算摘要值；第三段是卡片摘要，对卡片中除指纹字段本身以外的全部字段按固定序列化规则计算摘要值。三段摘要值拼接为版本指纹，写入卡片与封装包的清单文件。任何一个样本被替换、清单被改动或卡片关键字段被修改，指纹都会变化。
自描述封装包的目录结构固定为六部分：原始数据或发布态内容、元数据、数据字典、数据集卡片、校验清单与许可文件、读取与校验脚本。招标文件要求实现原始数据、元数据与数据字典的绑定封装，使数据集在脱离平台后仍能被第三方平台准确解析（b1569、b1570）。我方的实现方式是把解析所需的全部信息放进包内而不依赖平台接口：字段定义在数据字典中、文件组织在清单中、读取逻辑在脚本中。验收时以一台未安装本项目任何组件的机器执行包内脚本作为通过标准：脚本能读出样本、指纹校验一致，即视为自描述能力成立。
### 4. 卡片填写示例（节选）
表 15 供需计划数据集指令微调子集 v1.0 数据卡填写示例（节选，示意用）
| 字段 | 示例填写 |
|---|---|
| 数据集名称 | 供需计划数据集 |
| 用途子集 | 有监督指令微调 |
| 版本号 | 1.0.0 |
| 版本指纹 | 【发布时由平台自动生成，三段式摘要值】 |
| 样本总数 | 本版按分期计划第二期达成下限填报，终版 40 万条 |
| 模态类型 | 文本、图像 |
| 多模态样本占比 | 按本集测算 15%，发布时填实测值 |
| 业务发生时间范围 | 【按实际入集批次填写，以发布日前推 36 个月为时效判定基准】 |
| 标签类别清单 | 指向《供需计划数据集标注规范》及其版本号，含选型校核、库存决策、合同合规、产销协同、参数抽取五类任务的标签定义 |
| 标注一致性指标 | 一致率及裁决规则按标注规范填报；低于规范阈值的批次退回重标 |
| 局限性说明 | 配套接口参数的会商结论无电子留痕，部分项目以缺失标记保留；历史方案投运使用评价须从零补录，本版覆盖度按实际填报 |
| 目标应用场景 | 产品智能选型、库存控制智能化、合同合规审查三个验证场景 |
| 合成样本占比 | 按本版实测值填报，上限 45% |
| 使用许可 | 【待填：数据集对外授权条款，由建设单位确权后填写】 |
表 15 数据来源：字段依表 14；示例值依本节第三部分各项测算与招标文件 b1583r03。本表为填写示意，实际卡片以 A2 节提供的模板为准。
卡片的填写不是交付前的一次性文书工作。规模、占比、合成比例、一致率四类字段由工具链在每批次发布时自动写入，来源、流程、局限性三类字段由生产任务负责人在批次结项时填写并经质检环节复核，许可与责任部门两类字段由建设单位确权后填写。平台在发布前校验必填字段，缺项不予发布。
## 九、与关联任务的边界
本节与本投标文件其他章节的分工如下，便于评标委员会索引，也避免重复论述。数据加工的十个环节——采集、预处理、知识本体、知识库四个环节见本卷 T1A 节，标注、合成、增强、质检、验证、项目管理六个环节见本卷 T1B 节；本节只给四集的规模口径、来源构成、用途子集内容与卡片字段，不重述环节方法。工具链的功能要求与清单见本卷 T2、T2A、T2B、T2C 各节，本节引用其产出而不描述其实现。数据集运营服务管理平台的功能模块见本卷 T3 节，本节的交付责任至数据集移交登记为止（b1575、b1576）。质量评测的依据、指标体系、评测方法与实施过程见服务方案卷 S3 节，本节第二部分所述三道核验中的第三道即以该节所述第三方评测为准。数据集卡片、质检报告与验证报告的可填写模板见附录佐证卷 A2 节。
## 十、本稿待补材料清单
下列内容需由建设单位确认或由项目组在蓝图设计阶段补充，本稿中以占位标明。
表 16 本稿待补材料清单
| 序号 | 待补内容 | 需要谁提供 | 影响范围 |
|---|---|---|---|
| 1 | 《数据集规模计量规则》的书面确认（含分词器选型、条与组的判定、合成占比上限） | 建设单位与项目组共同确认 | 表 2 全部口径、表 3 分期达成下限的核对方式 |
| 2 | 占比指标「数据条数」统计基数的确认（本稿口径一或口径二） | 建设单位、第三方评测机构 | 表 13 测算结果与各集多模态样本生产计划 |
| 3 | 备料分厂正式工序字典（现掌握口径 28 道）与加工方法分档规则 | 工艺部门 | 产品工艺设计数据集的工序标签体系与标注规范 |
| 4 | 缺陷名录、缺陷分级判据与三类检测的位置口径对照表 | 质量管理部门 | 产品质量数据集的标签体系与基准集分层抽样 |
| 5 | 各源系统只读接口的开通范围与时间表 | 建设单位数字化转型工作办公室 | 四集来源构成，缺口按各集第 5 小节回退办法处理 |
| 6 | 纸质检测报告与化验报告的实际存量盘点结果 | 质量管理部门、档案管理 | 产品质量数据集数字化工作量与三档交付顺序 |
| 7 | 数据集责任部门名称、对外联系方式、技术支持入口 | 建设单位 | 数据集卡片 A 组与 C 组字段 |
| 8 | 数据集对外授权条款与确权结论 | 建设单位 | 数据集卡片 F 组使用许可字段、挂牌与对外发布 |
| 9 | 历史选型方案投运使用评价的填报入口与流程改造安排 | 营销中心、生产管理部 | 供需计划数据集偏好子集的样本来源构成 |
| 10 | 焊接层间温度、预热温度等新增感知设备的到位时间 | 项目组与建设单位共同确认 | 制造过程数据集相关样本的生产时点与样本量 |
表 16 数据来源：各项依本节第三至第八部分所列前提条件与回退办法。