---
type: guide
tags:
  - llm-evaluation
  - foundations
status: active
created: 2026-08-21
---

# 数据标注、Human Data 与 Evaluation 是什么关系

## 先区分三个概念

很多岗位和文章会把“数据标注”“人工反馈”“模型评测”混在一起，但它们不是同一个概念。

```text
Annotation
   └─ 人对数据做结构化判断或加工

Human Data
   └─ 更大的集合：人类产生、选择、修改或评价的数据

Evaluation
   └─ 用数据 + 规则判断模型或系统表现
```

它们会大量重叠，但目的不同。

## 什么是数据标注 Annotation

数据标注的本质是：

> **按照给定规则，把原始数据转换成带有结构化意义的数据。**

传统机器学习中的例子：

```text
图片 → cat / dog
文本 → positive / negative
句子 → entity spans
语音 → transcript
```

LLM 场景中的标注更加复杂，例如：

- 判断回答是否事实正确
- A/B 比较哪个回答更好
- 标记安全风险
- 为代码任务写参考解
- 标注工具调用参数是否正确
- 对 Agent trace 进行失败分类
- 修改一个较差答案成为 ideal answer

所以现代 LLM 数据标注经常已经不是“打标签”，而是**执行复杂 rubric 的判断工作**。

## 什么是 Human Data

Human Data 可以理解为：

> 为训练、对齐、评测或产品改进而产生的人类判断与示范数据。

它可能包括：

### Demonstration Data

人直接给出理想输出：

```text
Instruction
    ↓
Human Ideal Answer
```

常见于 SFT 数据。

### Preference Data

比较候选输出：

```text
Answer A
Answer B
    ↓
A preferred / B preferred / tie
```

### Critique / Reason Data

不仅给标签，还解释：

- 哪里错
- 为什么错
- 缺什么
- 哪个规则被违反

### Evaluation Labels

为评测集产生：

- pass / fail
- 0 / 1 / 2
- severity
- failure type
- confidence
- escalation reason

因此“Human Data”比“Annotation”覆盖面更大。

## Annotation 与 Training Data 的关系

标注数据可能被用于训练：

```text
Raw Data
   ↓
Annotation / Curation
   ↓
Training Dataset
   ↓
SFT / Preference Optimization / Other Training
```

此时目标是：

> 让模型从这些样本中学习行为。

关键关注点包括：

- 数据质量
- 覆盖度
- 一致性
- 偏差
- 许可与隐私
- train / validation / test 隔离

## Annotation 与 Evaluation Data 的关系

同样的人工判断，也可能用于评测：

```text
Eval Case
   ↓
Model Output
   ↓
Human Annotation
   ↓
Evaluation Result
```

此时目标不是训练模型，而是：

> **测量当前系统是否满足标准。**

最重要的区别是用途。

| 对比项 | Training / Alignment Data | Evaluation Data |
|---|---|---|
| 主要目的 | 改变模型行为 | 测量系统行为 |
| 是否给模型学习 | 是 | 原则上不应 |
| 是否需要冻结 | 训练集可演化 | 正式 eval 需要版本冻结 |
| 数据泄漏风险 | 训练数据质量问题 | eval contamination 会使结果失真 |
| 核心问题 | “模型应该学什么？” | “系统现在做得怎么样？” |

## 数据标注与 Evaluation 为什么经常混在一个岗位里

因为 Evaluation 的很多 grader 最初需要人来执行。

例如：

```text
Case
  ↓
Output
  ↓
Human reads rubric
  ↓
Pass / Fail + Reason
```

所以评测体系建设往往经历：

```text
人工判断
   ↓
发现规则歧义
   ↓
修 rubric
   ↓
建立稳定人工基准
   ↓
规则自动化 / LLM Judge
```

因此，**人工标注不是 Evaluation 的低级阶段**。

它承担两个关键职责：

1. 帮助定义“什么叫正确”；
2. 校准自动 grader 是否可信。

## 数据清洗、数据治理、数据标注有什么区别

### Data Cleaning

处理数据本身的技术质量：

- 编码问题
- 格式错误
- 空值
- 重复
- 乱码
- 非法字段

### Data Curation

围绕使用目的选择和组织数据：

- 选哪些来源
- 去掉哪些低质量数据
- 控制分布
- 去重
- 记录来源与许可
- 处理 PII

NVIDIA NeMo Curator 将清洗、过滤、去重、PII 处理等视为可重复的数据整理流程。[1]

### Annotation

给数据增加人工或机器产生的结构化判断：

- 标签
- preference
- rationale
- reference
- failure type

### Data Governance

保证数据资产可管理：

- 来源
- 许可
- 访问权限
- PII
- 版本
- lineage
- retention

Hugging Face 的 Dataset Card 也强调记录数据内容、使用语境、创建方式、许可和潜在偏差。[2]

## 数据标注质量为什么难

传统分类任务可能有明确答案：

```text
spam / not spam
```

LLM 场景常常存在：

- 多个正确答案
- 部分正确
- 风格与事实混杂
- 边界情况
- 规则冲突
- 领域专业判断
- 安全风险

因此高质量标注依赖：

```text
Task Definition
      ↓
Rubric
      ↓
Examples / Counterexamples
      ↓
Calibration
      ↓
Disagreement Analysis
      ↓
Guideline Revision
```

真正重要的不是：

```text
标了多少条
```

而是：

```text
不同标注者能否依据同一规则得到稳定判断
```

## 对程序员而言最值得迁移的能力

如果已有开发经验，最有价值的不是追求纯人工标注吞吐量，而是向以下方向升级：

- Dataset / Schema validation
- Rubric 设计
- Label consistency 分析
- Failure taxonomy
- Eval harness
- Agent trace evaluation
- LLM Judge calibration
- Regression suite
- CI quality gate
- Data lineage / versioning

也就是：

> **把人工判断变成可复现、可审计、可自动化的质量系统。**

## 参考资料

[1] NVIDIA, NeMo Curator / LLM dataset curation  
https://developer.nvidia.com/blog/curating-custom-datasets-for-llm-training-with-nvidia-nemo-curator/

[2] Hugging Face, Dataset Cards  
https://huggingface.co/docs/hub/datasets-cards