OpenDataArena升級版正式上線，四大核心模塊重構數據價值評估

為破解長期以來學界與業界難以對數據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、公正的后訓練數據價值評測平臺 ——OpenDataArena (ODA)。該項目致力于將數據選擇從「盲目試錯」的煉丹術，轉變為一門可復現、可分析、可累積的嚴謹科學。

在初版系統發布后的數月間，項目通過團隊內部及小范圍社區用戶的深度使用，完成了高強度的技術驗證與功能打磨。伴隨著評測規模、工具鏈和分析能力的持續擴展，近期，我們終于迎來了ODA 的全面升級 —— 一個結論更系統、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者開放。

• 項目主頁： https://opendataarena.github.io/
• 開源工具： https://github.com/OpenDataArena/OpenDataArena-Tool
• 數據集： 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：數據價值必須通過真實的訓練來檢驗，而非主觀的臆測。為此，我們立足于全新發布的正式版本，對平臺進行了體系化的深度重構，由四個相互支撐的核心模塊組成了這套完整的數據評測基礎設施。這標志著 ODA 已經從最初的功能驗證階段，發展成為可以對數據價值進行系統化評測的重要平臺。

一、數據價值排行榜

首先，ODA 項目打造了數據價值排行榜。通過構建一套統一的訓練與評測流程，讓數據在固定的模型規模（如 Llama3、Qwen2/3 7-8B）和訓練配置下，對來自不同領域的文本及多模態數據進行橫向評測。

評測覆蓋通用、數學、代碼、科學與長鏈推理等能力維度，這使得數據價值能直接通過下游任務（如數學、代碼、推理等）的實際表現來量化，而非主觀判斷。目前，ODA 平臺已經從初版僅僅只有文本數據的評測，擴展到了多模態數據集的質量評測，并以最先進的 Qwen3-VL 作為真實訓練的基準模型。

二、數據血緣探索器

其次，針對數據界常見的「近親繁殖」問題，ODA 全新發布「數據血緣探索器」。它像繪制族譜一樣，清晰地刻畫出數據集之間的繼承、混合與蒸餾關系。通過結構化建模與可視化展示，研究者可以直觀地看到不同數據集之間的高度重疊與依賴關系，看到社區中被反復復用的核心數據源，以及更清晰的發現潛在的訓練–測試污染與「近親繁殖」問題。這一能力讓「為什么某些數據集長期霸榜」不再是經驗結論，而是可以被結構性解釋的現象。

三、多維數據評分器

除了看模型結果，ODA 還從數據本體出發，對數據質量進行細粒度刻畫。ODA 提供了一個細粒度的評分框架，基于模型評估、LLM-as-a-Judge 與啟發式指標等多種方法，從指令復雜度、響應質量、多樣性等維度對數據進行深度剖析，生成每份數據的專屬「體檢報告」，并已對千萬級樣本的評分結果進行開源。 這使得研究者不僅能判斷「哪份數據更有效」，還能進一步分析它為什么有效。值得一提的是，在初版的基礎上，ODA 多維數據評分器目前已經擴展支持80+ 種多維度的評分器，支持用戶一鍵方便的對所需要的數據維度進行打分。

四、全開源評測工具箱

此外，為了促進社區共建，ODA 完全開源了其訓練、評分和可視化工具，覆蓋從模型微調到結果復現的完整流程，以及上述精細化的數據評價打分器。ODA 工具支持用戶一鍵復現結果，或對自己私有數據進行標準化評測，實現真正意義上的橫向對比。

五、硬核發現：那些被忽視的數據真相

在對 120 多個主流數據集進行超過 600 次訓練和 4000 萬條數據的深度分析后，OpenDataLab 團隊得出了一系列具有指導意義的「硬核」結論，足以重塑業界對高質量數據的認知 ：

1. 解答質量比問題復雜度更關鍵：實驗發現，單純增加問題的復雜度并不能有效預測數據價值。相反，解答的長度（推理過程的充分性）與最終質量呈強正相關，這在數學和科學類任務中尤為突出。

2. 代碼數據的「異類」屬性：搞代碼模型不能照搬數學的邏輯。代碼講究簡潔精準，長篇大論反而會損害效果。這意味著通用的評分標準在代碼領域經常失效，必須建立針對性的評估體系。

3. 開源數據「近親繁殖」嚴重：ODA 的數據血緣分析顯示，社區反復依賴的核心數據源比較有限（例如 GSM8K 被多次復用），由此造成了嚴重的數據同質化。借助數據血緣分析，更極端的發現是，數據污染越來越嚴重：大量訓練樣本直接與測試集發生重疊。

4.「少即是多」的局限性：盡管 LIMA 等研究曾宣稱少量精選數據即可成功，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，過少的數據量會導致性能崩塌。真正穩健的路徑是追求「高質量且具規模（High-Density Volume）」 的數據配方。

5. 為什么有些數據集能霸榜？以 AM-Thinking-distilled 為代表的超大規模聚集型數據集，能夠同時在數學與代碼任務上取得明顯的優勢，關鍵原因在于其跨領域融合能力。它通過遞歸方式整合了435 個數據節點，顯著提升了數據分布的多樣性與互補性。

6. 數據可以彌補底座差距：這是一個令人振奮的發現。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 這樣的高質量微調數據，這個差距幾乎可以被抹平?？梢哉f，好的數據配方真的能讓模型「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，更致力于將數據研發從「玄學」推向可復現、可分析的「科學」。未來，ODA 將持續進化，探索智能體數據，金融、醫療等垂直領域的深層價值。

在這個數據決定 AI 上限的時代，唯有手握科學的標尺，才能精準丈量每一份數據的真實「重量」。