垂直领域语料可用性与 KEI 分级白皮书
从领域数据到可执行知识零件
一、主编单位：专知智库
二、联合主编：专知智库OPC 研究院
三、联合主编：专知智库新质生产力研究院
四、所属系列：知识基座系列 · 需求方专项手册
五、版本号：V1.0
六、发布日期：2026 年 10 月
摘 要：
一、问题：垂直领域不缺数据，缺“可交付给智能体执行 ”的语料。金融、医疗、代码、法律等行业并不缺数据——行业数据库、政策文件、研报、病历、判例、代码仓库，体量都不小。但行业模型团队真正能用上的比例很低：领域术语不完整、标注者没有执业背景、来源和授权说不清、脱敏不彻底、无法说明“适合训练还是适合执行 ”。结果是“数据很多、可用很少 ”——买回来一堆原始语料，智能体调用时仍需大量解析适配，真正能被智能体信任并直接执行的垂直语料，供给稀缺。
二、与已有成果的关系：不重复“质量评估”，聚焦“可用性判定” 。信通院的数据集质量评估体系、工业互联网研究院的行业语料指标、各行业语料技术白皮书，已经解决了“数据质量是否达标 ”的问题。它们回答的是“质量好不好 ”，但没有回答“评估完之后，这批语料能不能直接给智能体执行、能用到什么范围、按什么等级交付 ”。专知智库的增量正在这一段：在已有质量评估之上，增加“可用性判定 ”和“KEI 分级交付语言 ”，形成“质量评估打底、可用性判定分级、KEI 分级交付 ”的完整链条。
三、专知答案：四维可用性框架 + A/B/C/D 可用性分级 + KEI 分级。专知智库提出四维可用性评估框架——领域覆盖度（术语、场景、边界案例是否完整）、专家来源可信度（标注和审核者是否具备执业资质）、合规授权链（来源、授权、脱敏、使用范围是否清晰）、智慧密度（是否包含决策链、纠错信号、偏好理由）。 四维评估之上，给出A/B/C/D 可用性分级：A 级可直接训练/执行，B 级有限可用，C 级需再加工，D 级仅作数源。可用性分级与KEI 五级分级衔接——A级对应 E4 –E5，B 级对应 E3，C 级对应 E2，D 级对应 E1，让“可用性 ”变成“可采购、可验收、可计价 ”的等级语言。
四、起点与交付。专知智库以已积累的金融情感分析数据集、金融政策检索数据集、医疗 NER 数据集等为起点，可扩展至代码、法律、工业等领域。交付包包含语料说明、字段规范、领域标签、质量等级、脱敏说明、授权链文件、使用限制和基线评测结果。数据敏感场景支持数据不出域、沙箱评测和隐私计算联合建模。验收按“ 品类+等级+证据 ”三件套执行，不合格按降级、整改或终止处理。
五、合作入口。需求方可提交《垂直领域语料需求表》，说明领域、任务类型、语种、规模、KEI 等级要求、是否需要专家审核和交付形式。专知智库在 5 个工作日内反馈语料匹配建议、可用性分级说明、交付方案和报价参考。合作方式包括试点包（小规模验证）、联合共建（需求方提供场景和专家，专知提供模板与质检）、框架协议与年度订阅。
为什么要读垂直领域语料可用性与 KEI 分级这本白皮书？
你团队的垂直模型，大概率不是被模型卡住的，是被“语料”卡住的。
买了100GB金融语料，真正能对齐训练的不到10GB；接了几十万份病历，敢让智能体直接调用的不到一万份。钱花了、活干了，最后发现买回来的是“材”，不是“粮”——人能读懂，机器不敢执行。
这就是《垂直领域语料可用性与KEI分级白皮书：从领域数据到可执行知识零件》要动刀的地方。它是专知智库“知识基座系列”的需求方专项手册，也是《可执行知识资产白皮书》总纲4.3节、6.3节的展开版，2026年10月发布V1.0。目标读者写得很直白：行业大模型团队、垂直AI公司、金融/医疗/代码/法律机构的技术与数据采购团队。
第一，它把“有数据≠可用”这件事，拆成了五个可自查的断层。
不是空谈“数据质量不高”，而是逐条点名：领域术语不完整（有市盈率没有转股溢价率，有心梗没有嗜铬细胞瘤，有《2026版指南》没有2020版术语）；标注者没有执业背景（标医疗的不是医生，标法律的不是律师，边界情况成片漏标）；来源和授权说不清（宣称多源实际单源、上游只授权研究下游拿来商用）；脱敏不彻底（正文删了附件没删、姓名删了地址生日科室还在、掩码替换一推就还原）；以及最要命的第五条——供应商根本说不清这批语料“适合训练还是适合执行”。
五个断层会叠加成连锁反应：检索失准漏信息，理解偏差误读信息，判断错误做成决策。在金融合规、临床辅助、法律意见这类高风险场景里，术语错一个字，代价是监管处罚、医疗事故、法律纠纷。
第二，它不跟已有标准抢地盘，只在它们止步的地方往前走一步。
这一点特别值得说，因为市面上不缺“质量评估”。信通院的“可信AI”数据集质量评估体系2.0已经做到“2+2+1+N”，17个一级指标、50余个二级指标，覆盖说明文档、前置数据质量、模型应用三大块，还配了100余个量化算子；中国工业互联网研究院联合港科大在GB/T 36344六项通用指标之外，加了专业性、通用性、稠密性、均衡性、可回溯性等8项工业语料指标，2026年又发布“模数共振”评测体系，工业数据集那一项是三维度14条。
这些成果回答的都是同一个问题：质量达不达标。但它们都不回答采购员真正要签字的那三句——这批语料能不能直接进智能体？能用到什么范围？按什么等级付钱？
专知智库的增量就在这一段：质量评估打底，可用性判定分级，KEI分级交付。不写“市场首份”“填补空白”，编制说明里明确写着“在参考已有标准基础上聚焦可用性判定”。这种分寸感，本身就是可读性的保证。
第三，它给了四维框架和A/B/C/D四级，把“感觉还行”变成合同语言。
四维可用性评估：领域覆盖度（术语、场景、边界案例）、专家来源可信度（执业资质+审核记录，看Kappa是否过0.8，且必须按难度分层抽样，只抽典型情况等于没抽）、合规授权链（来源记录、逐级授权、范围地域期限、产权登记凭证，缺一手即断裂）、智慧密度（有没有决策链、纠错信号、偏好理由——这一维最狠，它区分的是“语料”和“老师傅的脑子”）。
四维之上落四档：A级可直接训练/执行，B级有限可用，C级需再加工，D级仅作数源。再与KEI五级对齐——A对E4-E5，B对E3，C对E2，D对E1；同时挂上T/NSSQ 107-2026的L1-L5。
这里有个必须记住的红线：来源违法、个人信息未依法脱敏、权属不明且拿不出完整授权链的，标准直接判L0一票否决——不是扣分，是出局，不能挂牌、不能入表、不能喂智能体。你买的不是“便宜的D级”，可能是一个违法的东西。
第四，它把验收写成了合同，而不是流程。
交付包八件套：语料说明、字段规范、领域标签、质量等级、脱敏说明、授权链文件、使用限制、基线评测结果。医疗金融场景支持数据不出域、沙箱评测、隐私计算联合建模。验收按“品类+等级+证据”三件套走，不合格就降级、整改或终止，计价按等级和RDT贡献走，而不是按GB算钱。
这对采购方是实打实的武器。行业里最扎心的账本是：数据准备占垂直训练60%的工作量，却只分到10%的预算，而且是五个环节里翻车率最高的那个，每一环都能让可用率掉30%以上。预算给错了地方，再换模型也救不回来。
第五，它起点透明，不吹商用。
专知智库写得很克制：金融情感分析数据集、金融政策检索数据集、医疗NER数据集是“已积累”，代码、法律、工业是“可扩展方向”，别的领域是“规划中”。已积累写已积累，建设中写建设中，不构成交付承诺。在一个到处宣称“千万级高质量语料库”的市场里，这种写法反而更值得信。
一句话：这本白皮书不教你把语料洗得更干净，它给你一把能写进合同、能按级验收、能按级计价的尺子，去回答那个所有人都绕开的问题——这批语料，我到底敢不敢让智能体自己动手？
在签下一份语料采购单、启动一个垂直模型、给智能体开执行权限之前，先读完它。按任务风险定等级门槛，先跑试点包，再做框架协议。买的从来不是更多GB，是敢让机器动手的那点把握。
