SII-GAIR团队发现AI训练数据的进化秘密：从垃圾变黄金的十层魔法

这项由上海人工智能实验室（SII）、上海交通大学、复旦大学和通用人工智能研究院（GAIR）联合完成的开创性研究发表于2026年2月的arXiv预印本服务器，论文编号为arXiv:2602.07824v1。有兴趣深入了解的读者可以通过该编号查询完整论文。

当我们训练人工智能模型时，就像培养一个学生一样，给它什么样的教材决定了它能学到什么程度。但长期以来，AI领域就像一个没有统一教学标准的学校，每个人都在用自己的方法处理训练数据，效果参差不齐。现在，这个问题有了答案。

研究团队提出了一个叫做"数据达尔文主义"的全新理念，这就像为数据处理建立了一套完整的进化体系。他们发现，数据和模型之间存在一种共同进化的关系：更好的模型能处理出更高质量的数据，而更好的数据又能训练出更强大的模型，形成一个良性循环。

为了验证这个理论，研究团队选择了一个特别具有挑战性的领域——科学文献。科学论文就像是知识的浓缩精华，信息密度极高，但同时也极难消化。就好比给学生直接阅读爱因斯坦的原始论文，即使内容再有价值，学生也很难理解和吸收。

研究团队构建了一个名为"达尔文科学"的数据集，包含了9000亿个词汇标记，覆盖了自然科学、工程学和医学等多个领域。他们还训练了两个全新的基础模型daVinci-origin-3B和daVinci-origin-7B，这些模型从零开始训练，特意排除了所有科学内容，为实验提供了干净的对比基线。

**一、数据进化的十层阶梯**

研究团队提出的"数据达尔文主义"框架包含十个层级（L0-L9），就像一座通往数据质量巅峰的阶梯。每上升一层，数据的质量和复杂程度都会显著提升，同时处理难度也会相应增加。

最底层的L0是数据获取层，就像收集原材料一样，研究人员从各种来源搜集大量原始数据。这个阶段的数据质量参差不齐，包含大量噪音和重复内容，但胜在量大面广。接下来的L1是格式标准化层，相当于把不同格式的文件统一转换成可读的文本，比如将扫描的PDF文档转换成机器可读的文字。

L2层是基于规则的过滤，这就像用筛子筛选谷物一样，通过明确的规则剔除明显有问题的内容，比如太短的文档、乱码文本或非目标语言的内容。L3层引入了轻量级模型过滤，开始使用AI模型进行更智能的筛选，能够理解内容的语义，判断哪些内容有教育价值。

真正的转折点出现在L4层，也就是生成式精炼层。在这个阶段，系统不再简单地删除或保留内容，而是开始主动修复和改善文本。就像一个细心的编辑，它会移除页眉页脚、修复OCR识别错误、整理破碎的公式和表格，但严格保持原始内容的准确性。

L5层是认知完善层，这是整个框架中最具创新性的部分。在这个阶段，系统会使用最先进的大型语言模型来重写专家级的内容，使其更容易理解。具体来说，它会做三件事情：首先是推理重构，将隐含的逻辑跳跃展开为明确的步骤；其次是术语阐释，在文中直接解释专业术语而不是假设读者已经知道；最后是教学桥梁，通过具体例子和类比来解释抽象概念。

更高层级的L6到L9目前还在理论阶段，但展现了数据处理的终极愿景。L6是情境完善，会整合外部参考资料；L7是环境合成，创建可执行的交互环境；L8是生态合成，构建多智能体协作系统；L9是世界合成，最终目标是创造完整的模拟世界。

**二、科学数据的学习障碍**

研究团队在实际应用中发现了一个令人意外的现象：原始的科学数据存在严重的"可学习性鸿沟"。即使这些数据信息密度很高，理论上应该对AI训练非常有价值，但未经处理的科学文本对模型训练的帮助几乎为零。

这种现象就像给小学生直接阅读研究生教材一样，内容虽然很有价值，但表达方式过于专业化，学习者根本无法有效吸收。诊断实验显示，在原始科学数据上训练的模型，其表现与基线模型几乎没有差异，无论是在标准基准测试还是在领域对齐评估中都是如此。

造成这种现象的原因主要有三个方面：首先是概念压缩度过高，科学文献往往用极其简洁的方式表达复杂概念；其次是推理链隐含，作者经常跳过中间步骤，直接得出结论；最后是面向专家的表述方式，假设读者具备大量背景知识。

为了克服这个障碍，研究团队将处理重点放在了L4和L5两个关键层级上。L4层主要负责清洁工作，系统性地移除非教育性噪音，如元数据、导航元素、OCR错误等，同时修复结构性破碎，如分裂的公式、格式错误的表格等。这个过程就像给一本破旧的教科书重新装订和校对。

L5层则是真正的认知转换，使用前沿的大型语言模型将专家级写作转换为教学友好的内容。这个过程包括三个核心操作：推理重构将隐含的逻辑跳跃展开为明确的逐步推导；术语阐释在文中直接解释领域特定术语，而不是假设预备知识；教学桥梁通过具体类比和既定概念来解释抽象理论。

**三、严格的实验验证**

为了确保实验结果的可靠性，研究团队建立了一个极其严格的控制实验框架。他们面临的一个关键挑战是如何区分数据质量提升带来的效果和模型配置差异造成的影响。

首先，他们开发了达尔文科学评估基准（Darwin-Science-Eval），这是一个包含15万个专家级问题的挑战性测试集，专门用于评估分布对齐的领域理解能力，而不是基础科学知识。这些问题直接从保留的科学文献中生成，确保了评估的专业性和相关性。

更重要的是，研究团队从零开始训练了daVinci-origin-3B和daVinci-origin-7B两个基础模型，使用精心策划的5.37万亿词汇标记语料库，这个语料库特意排除了所有科学内容。这种做法就像在实验室中培养无菌环境一样，确保了基线模型具有强大的通用能力，但对科学领域零暴露，从而能够明确地将性能提升归因于数据处理策略而非模型本身的差异。

实验设置采用了600亿词汇标记的持续预训练，比较层级处理的达尔文科学数据与竞争性基线混合数据的效果。这种对照实验设计确保了结果的可信度和可重现性。

**四、令人惊喜的实验结果**

实验结果证明了数据达尔文主义框架的有效性，展现出了持续且强劲的效果提升。在涵盖20多个不同基准测试的综合评估中，达尔文科学数据使3B模型平均提升了2.12分，7B模型提升了2.95分。更令人印象深刻的是，在分布对齐的达尔文科学评估测试中，提升幅度放大到了5.60分和8.40分。

层级进展的效果也清晰可见。从L0到L3的基础处理几乎没有带来提升，这证实了原始科学数据存在的可学习性鸿沟。但从L4开始，效果开始显现，累计提升了0.38分。真正的突破出现在L5层，带来了0.98分的显著提升，使总提升达到1.36分。这个结果确认了系统性层级提升对于释放数据潜在价值的重要性。

性能提升在整个600亿词汇标记的训练过程中持续存在，甚至有加速趋势，没有出现饱和迹象。这表明经过处理的语料库在大规模训练中提供了持续优异的学习价值。

特别值得注意的是模型规模效应：更大的模型从科学数据中获得了更大的收益（7B模型提升2.95分对比3B模型的2.12分），这说明模型容量是高复杂度内容数据利用的关键决定因素。

**五、实用指导原则**

通过这个受控实验环境，研究团队还得出了几个重要的实践指导原则。

在数据组合方面，50%的科学内容比例实现了领域专业化和通用能力之间的最佳平衡。内部的书籍与论文比例显示出很高的灵活性，但包含两种类型都是推荐的，因为它们提供了互补价值。

在处理策略方面，教师模型的质量直接决定了认知完善的效果，Qwen3-235B比GPT-OSS-120B提升了0.52分。这说明投资更好的处理模型是值得的。

模型特性方面的发现也很有趣。扩展上下文长度（从4K扩展到32K）在充分适应后提供了0.80分的优势。科学数据的益处在不同训练阶段都持续存在（早期930B检查点与后期4T检查点的比较），这验证了早期阶段评估作为计算高效代理的有效性。

评估对齐性方面，领域匹配的基准测试显示的收益比标准评估大3倍，这强调了分布对齐评估的必要性。这就像用专业考试来测试专业技能一样，比用通用考试更能反映真实能力。

**六、更广泛的意义和影响**

这项研究的意义远远超出了科学文献处理本身。数据达尔文主义框架为整个AI领域提供了第一个系统性的数据处理分类法，建立了领域共享的原则。这就像为数据科学建立了一套通用语言和标准操作程序。

从实践角度来看，研究团队构建的达尔文科学数据集是迄今为止最大的开源、层级处理的科学语料库，包含9000亿词汇标记。同时发布的透明daVinci-origin基础模型为研究社区提供了宝贵的资源。这些资源的开放将促进更多相关研究的开展。

从方法论角度，通过严格的对照实验，研究证明了系统性地沿着处理层级进展不仅有益，而且对于释放概念密集领域的价值是必不可少的。这一发现为其他领域的数据处理提供了重要参考。研究还得出了可操作的指导原则，涵盖数据混合、处理深度和评估策略等方面。

这项工作的理论贡献在于将数据处理概念化为一个无限进化的过程，而非一次性工程任务。这种共同进化的视角——更好的模型促进更好的数据，更好的数据培养更好的模型——为AI系统的持续改进提供了原则性路径。

在实际应用中，这种方法论可以扩展到其他高度专业化的领域，如法律文献、医学文献、技术规范等。任何存在专家-普通人理解鸿沟的领域都可能受益于类似的层级处理方法。

**七、技术实现细节**

研究团队在技术实现方面也展现了极高的工程水平。他们采用了生产者-消费者架构，使用Redis服务器作为任务队列，GPU服务器作为运行vLLM服务器的工作节点。这种设计解决了大规模数据处理中的几个关键挑战。

动态资源分配确保了系统能够适应GPU节点可用性的变化，孤立任务管理通过心跳机制监控工作节点健康状态，自动恢复机制能够检测故障并重启崩溃的服务器。任务重试机制和优先级队列进一步提高了系统的鲁棒性和效率。

在质量控制方面，系统能够处理模型输出中的各种故障模式，包括格式错误、无限重复等问题。当出现这些问题时，系统会保留原始文本块不变，确保数据的完整性。

处理规模相当惊人：L4处理应用于整个OCR处理语料库，文档被分割为1024字符块进行独立处理，使用GPT-OSS-120B进行处理。L5处理专门应用于论文而非书籍，使用1024词汇标记窗口以保持叙述一致性，由Qwen3-235B-A22B-Instruct执行重写过程。

**八、局限性和未来展望**

研究团队也诚实地指出了当前工作的局限性。这项工作主要关注科学领域并实现了L0-L5层级，更高层级（L6-L9）涉及多步推理合成、个性化课程生成和世界模拟，仍有待探索。实验使用了特定的教师模型和训练配置，更广泛的架构、规模和领域消融实验将增强普适性。

可学习性鸿沟现象值得更深入的研究，以理解什么使内容对机器可学习而非仅仅对人类可读。这个发现可能对其他高度专业化领域的数据处理具有重要指导意义。

数据达尔文主义代表了系统性数据科学在AI中的第一步。框架的共同进化视角——更好的模型促进更好的数据，而更好的数据训练更好的模型——为持续进步提供了原则性路径。研究团队设想未来的工作将这个层级扩展到多模态领域，形式化可学习性指标，并开发能够导航完整L0-L9光谱的自动化系统，以释放人类积累知识的价值。

这项研究不仅为科学文献的AI处理提供了突破性方法，更重要的是为整个AI领域的数据处理建立了系统性框架。随着AI模型变得越来越强大，如何有效地准备和处理训练数据将成为决定AI系统性能的关键因素。数据达尔文主义框架为这一挑战提供了理论基础和实践指导，预示着AI训练数据处理即将进入一个更加科学化、系统化的新时代。

Q&A

Q1：什么是数据达尔文主义框架？

A：数据达尔文主义是研究团队提出的十层数据处理框架（L0-L9），就像一套数据进化系统。它的核心理念是数据和AI模型会共同进化：更好的模型能处理出更高质量的数据，更好的数据又能训练出更强大的模型。这个框架从最底层的数据获取开始，逐步提升到生成式精炼和认知完善，最终达到世界模拟的理论高度。

Q2：为什么原始科学数据训练AI效果很差？

A：研究发现原始科学数据存在"可学习性鸿沟"，主要有三个原因：概念压缩度过高，就像用极简语言表达复杂概念；推理链隐含，作者经常跳过中间步骤直接得结论；表述面向专家，假设读者有大量背景知识。这就像给小学生直接读研究生教材，内容虽然有价值但表达方式让学习者无法有效吸收。

Q3：达尔文科学数据集有什么特别之处？

A：达尔文科学是目前最大的开源层级处理科学语料库，包含9000亿词汇标记，覆盖自然科学、工程学和医学等多个领域。它的特别之处在于经过了L4和L5的深度处理：L4负责清理噪音和修复格式，L5则将专家级内容重写为更易理解的教学材料，将隐含推理展开、专业术语解释、抽象概念用具体例子说明。