為破解長期以來學(xué)界與業(yè)界難以對數(shù)據(jù)進行價值量化的困局，上海人工智能實驗室（上海 AI 實驗室）OpenDataLab 團隊在今年 8 月正式開源了首個全面、公正的后訓(xùn)練數(shù)據(jù)價值評測平臺 ——OpenDataArena (ODA)。該項目致力于將數(shù)據(jù)選擇從「盲目試錯」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)謹科學(xué)。

在初版系統(tǒng)發(fā)布后的數(shù)月間，項目通過團隊內(nèi)部及小范圍社區(qū)用戶的深度使用，完成了高強度的技術(shù)驗證與功能打磨。伴隨著評測規(guī)模、工具鏈和分析能力的持續(xù)擴展，近期，我們終于迎來了ODA 的全面升級 —— 一個結(jié)論更系統(tǒng)、功能更完整、視角更多元的正式版本，該項目正式面向全體開發(fā)者開放。

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

ODA 的核心理念非常明確：數(shù)據(jù)價值必須通過真實的訓(xùn)練來檢驗，而非主觀的臆測。為此，我們立足于全新發(fā)布的正式版本，對平臺進行了體系化的深度重構(gòu)，由四個相互支撐的核心模塊組成了這套完整的數(shù)據(jù)評測基礎(chǔ)設(shè)施。這標(biāo)志著 ODA 已經(jīng)從最初的功能驗證階段，發(fā)展成為可以對數(shù)據(jù)價值進行系統(tǒng)化評測的重要平臺。

一、數(shù)據(jù)價值排行榜

首先，ODA 項目打造了數(shù)據(jù)價值排行榜。通過構(gòu)建一套統(tǒng)一的訓(xùn)練與評測流程，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，對來自不同領(lǐng)域的文本及多模態(tài)數(shù)據(jù)進行橫向評測。

評測覆蓋通用、數(shù)學(xué)、代碼、科學(xué)與長鏈推理等能力維度，這使得數(shù)據(jù)價值能直接通過下游任務(wù)（如數(shù)學(xué)、代碼、推理等）的實際表現(xiàn)來量化，而非主觀判斷。目前，ODA 平臺已經(jīng)從初版僅僅只有文本數(shù)據(jù)的評測，擴展到了多模態(tài)數(shù)據(jù)集的質(zhì)量評測，并以最先進的 Qwen3-VL 作為真實訓(xùn)練的基準(zhǔn)模型。

二、數(shù)據(jù)血緣探索器

其次，針對數(shù)據(jù)界常見的「近親繁殖」問題，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–測試污染與「近親繁殖」問題。這一能力讓「為什么某些數(shù)據(jù)集長期霸榜」不再是經(jīng)驗結(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)評分器

除了看模型結(jié)果，ODA 還從數(shù)據(jù)本體出發(fā)，對數(shù)據(jù)質(zhì)量進行細粒度刻畫。ODA 提供了一個細粒度的評分框架，基于模型評估、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、多樣性等維度對數(shù)據(jù)進行深度剖析，生成每份數(shù)據(jù)的專屬「體檢報告」，并已對千萬級樣本的評分結(jié)果進行開源。 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)評分器目前已經(jīng)擴展支持80+ 種多維度的評分器，支持用戶一鍵方便的對所需要的數(shù)據(jù)維度進行打分。

四、全開源評測工具箱

此外，為了促進社區(qū)共建，ODA 完全開源了其訓(xùn)練、評分和可視化工具，覆蓋從模型微調(diào)到結(jié)果復(fù)現(xiàn)的完整流程，以及上述精細化的數(shù)據(jù)評價打分器。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)進行標(biāo)準(zhǔn)化評測，實現(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 120 多個主流數(shù)據(jù)集進行超過 600 次訓(xùn)練和 4000 萬條數(shù)據(jù)的深度分析后，OpenDataLab 團隊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)界對高質(zhì)量數(shù)據(jù)的認知 ：

1. 解答質(zhì)量比問題復(fù)雜度更關(guān)鍵：實驗發(fā)現(xiàn)，單純增加問題的復(fù)雜度并不能有效預(yù)測數(shù)據(jù)價值。相反，解答的長度（推理過程的充分性）與最終質(zhì)量呈強正相關(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。代碼講究簡潔精準(zhǔn)，長篇大論反而會損害效果。這意味著通用的評分標(biāo)準(zhǔn)在代碼領(lǐng)域經(jīng)常失效，必須建立針對性的評估體系。

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)污染越來越嚴(yán)重：大量訓(xùn)練樣本直接與測試集發(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 的實驗證明這極度依賴模型底座的先天能力。如果底座一般，過少的數(shù)據(jù)量會導(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，能夠同時在數(shù)學(xué)與代碼任務(wù)上取得明顯的優(yōu)勢，關(guān)鍵原因在于其跨領(lǐng)域融合能力。它通過遞歸方式整合了435 個數(shù)據(jù)節(jié)點，顯著提升了數(shù)據(jù)分布的多樣性與互補性。

6. 數(shù)據(jù)可以彌補底座差距：這是一個令人振奮的發(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)，這個差距幾乎可以被抹平。可以說，好的數(shù)據(jù)配方真的能讓模型「逆天改命」。

未來展望

OpenDataArena 的遠景，絕不不滿足于僅僅建立一個排行榜，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，ODA 將持續(xù)進化，探索智能體數(shù)據(jù)，金融、醫(yī)療等垂直領(lǐng)域的深層價值。

在這個數(shù)據(jù)決定 AI 上限的時代，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「重量」。