数据工程观察 · 2026年08月04日

引言

8月2日，EU AI Act GPAI 执法权正式生效——训练数据合规从”纸面义务”变为”可处罚后果”。同一天，两条数据管线消息传递出截然不同的信号：OpenThoughts-Agent 首次系统化公开智能体数据策展配方，100+ 消融实验给出可复现答案；AXIS 众源机器人数据引擎用 5 万条网页遥操作轨迹验证了”持续生长”的数据基础设施可行性。本期聚焦训练数据合规重塑、智能体数据管线方法论与物理AI数据民主化三条主线。

---

EU AI Act GPAI 执法权8月2日生效：训练数据合规从”建议”变为”罚单”

事件概述

2026年8月2日，EU AI Act 第五章执法权正式生效。欧盟委员会 AI Office 获得对通用AI（GPAI）模型供应商的监督与处罚权——可要求文档、评估模型、下令整改、限制/撤回模型，以及课以最高全球年营收3%的罚款。Article 50 透明度义务同步生效，要求AI系统披露交互身份、合成内容添加机器可读标记。

技术细节

• Article 53/55 义务：GPAI模型供应商必须（1）撰写并保持更新的技术文档，（2）向下游供应商提供能力/局限性信息，（3）制定EU版权合规政策（含尊重opt-out信号机制），（4）公开发布训练数据摘要。系统性风险模型另需对抗性测试、风险评估与严重事件报告。
• 执法机制：AI Office 拥有排他性执法权（Article 88），非各国市场监督机构。罚款分三档：违反核心义务3%全球年营收、提供错误信息1.5%、违反禁令7%。
• 过渡期：2025年8月2日前上市的模型有至2027年8月2日的宽限期；此后上市的模型无宽限期，执法权即日起可动用。
• 代码实践缓冲：签署GPAI Code of Practice的供应商在罚款计算时将被视为善意，但AI Office已明确”签名≠免责”。

对大模型数据工作的影响

训练数据合规成本从边际变量跃升为固定成本。对于中国AI公司面向欧洲市场部署模型，三点直接冲击：（1）训练数据摘要必须公开，意味着数据来源、配比、处理流程需文档化到可审计水平；（2）版权合规政策必须包含opt-out信号尊重机制，影响爬虫策略与数据采购决策；（3）合成内容标记要求（Article 50(4)）影响数据合成管线设计，需在输出层嵌入水印/元数据。这标志着预训练数据从”工程优化”时代进入”工程+法律”双约束时代。

---

OpenThoughts-Agent：智能体数据策展的首个系统化配方

事件概述

OpenThoughts-Agent（OT-Agent）项目发布了首个完全开放的智能体训练数据策展管线，通过 100+ 受控消融实验系统研究管线各阶段对下游性能的影响。最终 100K SFT 数据集微调 Qwen3-32B，在7个智能体基准上平均准确率 44.8%，较最强开源数据基线 Nemotron-Terminal-32B 提升 3.9pp。

技术细节

• 六阶段管线：任务来源选择→任务混合→描述增强→任务过滤→教师模型选择→轨迹过滤，每阶段独立消融。
• 关键发现：
  • 任务来源是最重要变量（SWE-Bench Verified 上差 30pp），合成GitHub问题修复（SWE-Smith）+人工基础设施问题（StackExchange SuperUser）组合最优；
  • 最强模型不一定是最优教师——GLM-4.7-AWQ 超过 GPT-5.3-Codex 和 Kimi K2.5，因教师-学生对齐和工具兼容性更关键；
  • LLM驱动难度过滤（选择需更长响应时间的任务）可靠提升 +3pp；
  • ≥5轮轨迹过滤在固定token预算下仍提升下游准确率，多轮监督是能力增益的核心驱动力；
  • 数据源超4个后边际收益递减，合成任务增强突破多样性瓶颈比简单堆叠来源更有效。
• RL 阶段：pymethods2test（Codeforces/CodeChef/TopCoder重铸为Python合约+unittest套件）为8B模型RL提供最优数据源，产出开源数据8B智能体SOTA。

对大模型数据工作的影响

此前智能体训练数据是”炼丹术”——SWE-Smith/SERA/Nemotron-Terminal 各自针对单基准优化，缺乏跨任务泛化指导。OT-Agent 首次证明：任务来源多样性 > 数据量 > 教师模型性能 > 描述增强，为智能体数据工程提供了可操作的优先级排序。其”数据配方”范式（100+消融→可复现配方→开源发布）可推广至其他领域的数据管线设计。

---

AXIS 众源机器人数据引擎：5万条网页遥操作轨迹的规模有效性验证

事件概述

Axis Robotics 联合佐治亚理工、UC Berkeley、南洋理工等发布 AXIS——面向可扩展机器人操作学习的社区驱动数据引擎与评测基准。当前固定快照包含 207 个任务、50,129 条人类演示轨迹；实时引擎已增长至 1,816 个任务、153 万+ 轨迹。同期完成 $12M 种子轮融资（Hack VC 领投）。

技术细节

• 闭环管线：自然语言指令→自动任务生成（MuJoCo-WASM场景配置）→浏览器遥操作（键盘/鼠标/手柄）→数据清洗→Isaac Sim仿真增强→模型训练→固定协议评测。
• 数据清洗：成功状态验证→异常过滤→静止段移除→轨迹平滑→固定频率重采样，平滑后平均加速度降低63.9%、急动度降低80.8%。
• 仿真增强：在Isaac Sim中回放清洗后轨迹，随机化相机视角/光照/纹理/背景/物体位姿/质量/摩擦力，保留任务语义与成功条件。
• 规模实验：π0.5模型在AXIS 25%/50%/100%数据上持续预训练后，LIBERO-Plus成功率从83.9%→84.7%→85.7%→88.8%（+4.9pp），同等算力下RoboCasa365仅57.5%（低31.3pp）。
• 扰动分析：AXIS数据提升传感器噪声鲁棒性+13.7pp、相机视角变化+11.3pp、初始位姿+3.8pp，但光照/语言扰动出现轻微退化，揭示覆盖不足维度。
• Web3确权：Base链上为每条评估通过轨迹分配唯一DataID，记录贡献者钱包地址/提交时间/质量评分，链上锚点支撑未来收益分配追溯。

对大模型数据工作的影响

AXIS验证了”持续生长”数据引擎的可行性——从静态数据集发布到动态数据飞轮。三个方法论启示：（1）众源数据需要系统性清洗管线而非简单收集，平滑+重采样是遥操作数据可用性的前提；（2）仿真增强是连接仿真与真实的关键桥梁，多样性增强比规模堆叠更有效；（3）Web3链上确权解决了众源数据的归因透明度问题，可推广至其他社区驱动的数据采集场景。对机器人基础模型训练而言，AXIS 证明网页遥操作是降低数据边际成本的可行路径。

---

OpenGEM26：中国首个自主可控小分子AI-Ready数据资源

事件概述

中国科学院东莞材料科学与技术研究所联合中国科学院物理研究所，面向全球开源发布有机分子数据集 OpenGEM26 及配套机器学习势函数 GPTFF-mol。该数据集涵盖 H/C/N/O/S/Cl 六种元素，包含约 20 万种独特有机分子及 440 万种分子构象，扭转了国内有机分子AI势函数领域长期依赖海外数据平台的局面。

技术细节

• 元素覆盖：首次在有机分子数据集中纳入 S（硫）和 Cl（氯），覆盖药物/催化/含能材料关键元素，超越QM9（C/H/N/O/F）和ANI系列。
• 构象多样性：440 万构象包含大量非平衡构型，弥补 QM9/ANI 在反应过渡态、键断裂等远离平衡区域泛化能力的不足。
• 配套模型：GPTFF-mol 机器学习势函数与数据集同步开源，可直接用于分子动力学模拟。
• 对标基准：QM9（~13.4万分子，B3LYP/6-31G(2df,p)级）被引3000+次但精度受限；ANI-1（~2000万构象）扩展了构象但缺S/Cl元素。OpenGEM26 首次同时解决精度、元素覆盖和构象多样性三重局限。

对大模型数据工作的影响

AI for Science 领域的数据基础设施化正加速。OpenGEM26 的意义不仅是”替代QM9”，更在于验证了”数据集+配套模型”同步开源的范式——数据本身不是终点，数据驱动的模型才是可交付成果。这对预训练数据工程的方法论启示是：数据策展应从”发布语料”升级为”发布语料+验证模型+评测基准”三位一体，才能真正缩短从数据到应用的距离。

---

蚂蚁 Open-AoE：手机采集+完整工具链的具身数据民主化

事件概述

蚂蚁数字科技联合浙江大学、港大、港科大（广州）、NUS、智源、国科大、港科大、西安交大等推出 Open-AoE——用普通智能手机采集第一视角人类操作视频，配套完整数据处理和机器人训练工具链的开源具身智能基础设施。首版包含约 2000 小时第一视角操作视频，500+ 名志愿者贡献，覆盖 400+ 场景、8000+ 操作任务。

技术细节

• 采集方案：仅需一部智能手机，志愿者以第一视角拍摄日常操作视频（做饭/做家务/做手工等），无需VR头盔/动捕设备/遥控器。
• 处理管线：手部动作标注→相机运动轨迹估计→动作描述生成→标准化数据格式输出，配套自动化工具链。
• 规模：400+ 种型号智能手机采集，异构设备数据统一标准化；8000+ 操作任务覆盖精细手-物交互到长时序家庭活动。
• 论文：arXiv:2607.14183v2，2026年7月发布，以开源形式向全球社区免费开放。

对大模型数据工作的影响

Open-AoE 代表了具身数据采集的”手机民主化”路径——将采集门槛从”专业实验室+动捕设备”降至”口袋里的手机”。与AXIS的”浏览器遥操作”路线互补：AXIS侧重仿真环境中的遥操作，Open-AoE侧重真实场景中的自然行为记录。两者共同指向一个趋势：具身数据的生产方式正从”实验室手工”走向”众源自动化”，数据边际成本数量级下降。对VLA/世界模型训练而言，真实第一视角视频数据的价值可能高于仿真遥操作——它保留了自然行为的完整动态和不可预见的干扰因素。