国家数据集管理服务系统上线以来,认证各类供需主体578家、上架数据集1433个,形成“物理分散、逻辑集中”的资源目录统一管理机制。上架只是第一步,真正难的是复检:这些数据集的质量由谁查、多久查一次、不合格的怎么下架。平台抽检覆盖面广,适合发现描述不符、字段缺失这类表面问题,深度质量仍要靠第三方测评或买方验收。抽检名单一般不向供方公开,避免临时补料;样本量从百分之五起步,重点行业加密到一成。质量也可分三级,直接可用、清洗后可用、不可用,按级别设不同合格线,抽检才有针对性。
数据集质量不是一句“准确完整”能概括的。至少要看出处是否可追溯、标注规范是否统一、覆盖范围是否与描述一致、更新频率是否满足用途、是否存在偏见或敏感信息。用于大模型训练的数据集,还要看语料清洗程度与版权合规,任何一项出问题,下游模型都可能返工。只给结论不给方法,报告在争议时几乎没有证明力。测评方法要写清抽样方式与判定标准,争议时才有据可依。方法写不清,报告就没有证明力。测评方法与样本说明要一并给出,只给结论的报告没有证明力。测评报告一般有效期一年,跨年使用需重新测评或做补充验证。测评机构需具备相应资质,报告要有签章与测评人员名单。供方可先按字段完整性、标注一致性、更新及时率做自检,再送第三方测评。测评费用按数据集规模与字段数计,通常几千到几万元不等,卖方要提前预算。
复检机制目前有三种做法。一是平台抽检,按行业、按规模随机抽取,发现问题通知整改;二是第三方测评,由具备资质的机构出具测评报告,报告有有效期;三是供需双方约定,买方在采购合同中要求卖方定期提交质量报告。三种做法各有适用场景,平台抽检覆盖面广但深度有限,第三方测评深但成本高。更新加快或场景扩展时,复检周期要自动缩短。复检周期可以在合同里写成动态条款,数据更新频率提高或使用场景扩展时自动缩短周期。动态条款要设触发条件,避免频繁复检增加成本。数据更新频率提高一档,复检周期相应缩短,具体在合同附件中约定。合同可约定复检不合格时的退货与赔偿条款,买方才有抓手。不合格先限期整改,整改期间标注待更新。复检周期在合同附件中约定,更新加快则自动缩短。买方验收条款要写明抽检比例与判定标准,验收不合格可按比例扣款。
复检频率与用途挂钩。用于监管报送或金融风控的数据集,通常要求季度甚至月度复检;用于行业分析、市场研究的,年度复检即可。频率定得太高,卖方成本承受不了;定得太低,买方拿到的是过期数据。资信树在服务数据供方时,会按数据集的实际使用场景建议复检节奏,而不是一律按最严标准上。信用档案与政府采购打通,屡次不合格就会被实质性限制。信用档案要与上架资格挂钩,屡次不合格的供方限制上架,行业整体质量才会上来。信用档案可以与政府采购、国企采购打通,约束力更强。信用档案记录保留三年,期间再次不合格将累计计分。信用档案与招投标挂钩后,供方对质量问题的整改速度明显加快。信用档案记分累计,达阈值即暂停上架资格。连续两次不合格的供方,平台可暂停其上架权限六个月。复测仍不合格的,按降级处理并在目录中标注,买方一看就知道。
不合格的处理要有梯度。轻微问题限期整改,整改期间标注待更新;严重问题直接下架并记入供方信用档案;涉及虚假描述或权属瑕疵的,通报并限制后续上架。没有梯度的处罚,要么形同虚设,要么一刀切伤及正常业务。信用档案与政府采购、国企采购打通后,约束力会明显增强,连续两次不合格可暂停上架权限半年。买方还可以要求数据血缘说明,采集时间、加工脚本版本与责任人逐项列明,这比单次测评更能反映长期质量。行业协会正在推数据质量分级团体标准,术语统一后,买卖双方的争议会少很多。
对买方来说,上架数量多不代表可选的多。看到1433个数据集,先看与自己场景匹配的有几个,再看这些数据集的测评报告与复检记录,最后才谈价格。资信树在做数据采购顾问时,把这一步称为“先筛质量、再筛价格”,顺序反了,买回来的往往是清洗成本极高的数据。适合特定场景的往往只有几十个,筛选比规模更重要。先做场景匹配清单,再逐个索要测评报告。场景清单可按行业、用途、颗粒度三个维度打分,先筛出前十个再深入评估。前十名还要做小样本试用验证。供方对抽检结论有异议,可在十个工作日内提交申诉与复测申请。目录每月更新上架名单,下架记录同步公示。

