高质量数据集典型案例 | 石油化工领域高质量数据集

　　中国石化积累了大量数据资源，但存在多模态异构、标注专业性强、数据分散等特点。本案例旨在进一步整合内外部数据资源，构建一批多模态融合、行业代表性强的高质量数据集，突破跨模态对齐、自动清洗标注、动态质量保障及安全合规共享等挑战，为行业大模型训练提供高精度标注、多场景覆盖的高质量数据支撑，切实提升模型训练适配性与复杂场景泛化效能。
 

　　方案和成效
 

　　一是构建1套行业级高质量数据集建设标准化方法体系。在实践基础上，提炼并形成了涵盖数据标准定义、质量评估指标、清洗标注流程规范、安全管控要求等全环节的石化行业方法论体系。
 

　　二是打造1组高质量数据集全链路工具套件。创新融合大语言模型(LLM)、多模态大模型，以及各类经训练微调的专业小模型与规则引擎，形成高质量多模态数据集的大规模工程化生产流程，提升数据集建设效率，保障智能化建设过程中数据高质、高效供给。
 

　　三是产生1批行业多模态高质量数据集。包括行业相关业务领域文件共近13万册，工业生产、安全等违章图片200余万张，厂区生产装置、作业现场等监控视频超500TB；生成高质量问答对超162万条。
 

　　四是支撑行业大模型训练和智能化应用。行业大模型专业能力明显提升。基于行业高质量数据集，完成第一版长城行业大模型(70B、700B)训练和应用，经工信部信通院、泰尔实验室评测，达到行业“引领级”；支撑分子理解、分子生成、不规范行为识别多模态、审计等专业大模型训练；大幅降低了从数据准备到模型训练的门槛，支撑1600余个智能应用在线开发。
 

　　创新点
 

　　一是自主研发智能化数据清洗标注工具链，突破工业数据治理瓶颈。实现复杂表格识别准确率85.71%，公式识别准确率91.67%，化学结构式识别准确率67.7%，系统性地解决了石化行业数据多源异构、专业性强、标注成本高等痛点。
 

　　二是首创“工具-数据集-场景”闭环赋能模式。打破数据建设与应用脱节的常规路径，创新性地建立了“工具建设-数据集生产-AI场景验证-反哺工具/数据集优化”的闭环赋能模式。
 

　　三是打造开放协同的高质量数据集共建共享生态。突破了传统企业数据内部封闭的局限，在保障数据主权与安全合规的前提下，创新性构建了由企业、科研院所、技术服务商共同参与的数据生态体系。