想象你是一位家长，要教孩子学做菜。光讲理论没用，你得做给他看、把步骤拆给他听、让他换着不同的锅碗瓢盆练手，甚至故意把灯调暗、把盘子放歪，考验他是不是真的学会了。训练 VLA（视觉-语言-动作）模型，本质上也是这么一回事：VLA 是让机器人“看懂指令→理解环境→执行动作”的模型，而高质量数据集就是喂给它的“菜”。数据怎么采、怎么标、怎么保证多样、怎么让仿真和真实互补，直接决定了机器人学成后是“米其林大厨”还是“翻车学徒”。这篇文章就用“教孩子做菜”这条线，带你走一遍 VLA 数据集构建的完整流程：采集、标注、多样性、真仿真结合、数据增强、质量评估和工程化落地。

岗位关联

学会 VLA 数据集的构建方法，是每个具身智能从业者从“调模型”走向“造数据飞轮”的关键一步——数据管线就是你的核心竞争力。

目录
  1. 可视化演示
  2. 数据采集方式
  3. 数据标注体系
  4. 数据多样性
  5. 真仿真结合
  6. 数据增强技巧
  7. 质量评估体系
  8. 规模与工程化
  9. AI 应用场景
  10. Python 演示
  11. 常见误区
  12. 面试题

可视化演示

动态演示VLA数据集构建的核心机制，通过概览/流程/对比/趋势四种模式展示关键概念与交互流程。

本节配有交互动效（进入视口后自动加载，约 3KB）。

VLA数据集构建：VLA数 VLA数据集构建的整体流程与挑 机器人操作数据的遥操作采集方法 核心机制可视化 VLA数据集构建整体架构与关键组件

数据采集方式

教孩子学做菜，第一步是让他看见“怎么做”。奶奶会握着孩子的手切番茄——这是手把手示范；也会给他一整套仿真厨房玩具——这是模拟练习；还会拉他一起看美食节目——这是观摩学习。三种方式，各有各的用处，也各有各的代价。

VLA 模型就是这个学做菜的孩子。所谓 VLA，是“看画面→懂指令→出动作”的视觉-语言-动作模型，它学本事的前提，是海量“人怎么做一件事”的示范数据。数据采集，就是具身智能的第一口饭——用什么方式喂，直接决定了这顿饭的性价比。

业界主流的采集路线有三条。真实遥操作：操作员用手柄或动捕服控制真实机器人干活，软件同步记录关节角、末端位姿和夹爪状态，数据真实可靠，但一小时只能攒几百条。仿真数据生成：在 MuJoCo、Isaac Sim 等仿真器里写脚本批量跑任务，一晚能刷几十万条，但和真实物理隔着一段“域差距”。人类视频提取：从海量操作视频里解析动作伪标签，量大但噪声高，通常只用来做预训练。

就像炒番茄鸡蛋，孩子看十遍就会；佛跳墙看一百遍还是手忙脚乱——学得快慢既看示范数量，更看任务本身的难度。动手采数据前，先摸清自家任务的 N₀，别稀里糊涂地堆量。

Psucc(N)=1−e−N/N0P_{\text{succ}}(N) = 1 - e^{-N / N_0}
这条曲线告诉我们：示范数量决定能力的下限，但边际收益递减，堆数据要讲策略。
  1. 成功率模型在测试中完成任务的比例，衡量“学会没有”。
    Psucc(N)P_{\text{succ}}(N)
  2. 示范数量喂给模型的演示条数，N 越大见识越多。
    NN
  3. 难度常数任务的固有难度系数，复杂任务 N₀ 大、入门慢。
    N0N_0
  4. 指数饱和项随时间衰减的项，体现“越往后提升越费劲”。
    e−N/N0e^{-N / N_0}

数据标注体系

光让孩子看视频还不够，得告诉他“这一步叫切丝、那一步叫焯水”。孩子要是分不清“切”和“剁”，做出来的菜就全乱了。标注，就是给每一段操作视频配上标准讲解词。

VLA 的“讲解词”比人类的菜谱复杂：模型看到的是摄像头画面，要输出的是机器人动作，所以讲解至少分三层——做什么、怎么做、面对的是什么。

语言指令标注：为每段示范写一句自然语言任务描述，如“把红色方块放进蓝色杯子”，可人工写，也可用大模型批量改写出几十种同义说法，让模型学会“换句话也能听懂”。动作轨迹标注：记录末端执行器的 6 自由度位姿序列与夹爪开合状态，这是机器人真正要执行的“菜谱步骤”。状态语义标注：标记物体的初始位姿、目标位姿和场景分割信息，相当于标注“食材在哪、要变成什么样”。最后用多人标注一致性检验（Kappa 系数）把关，防止讲解词各说各话。

菜谱要是写得“少许”“适量”满天飞，十个学徒能做出十种味道。VLA 标注也一样，语言指令的歧义会让模型学到错误的指令-动作映射。标注质量不过关，后面训练全白费。

κ=Po−Pe1−Pe\kappa = \frac{P_o - P_e}{1 - P_e}
Kappa 系数回答一个问题：标注员们的一致，到底是真默契还是碰运气？
  1. 观察一致性标注员实际达成一致的比例。
    PoP_o
  2. 随机一致性完全靠猜也能一致的期望比例。
    PeP_e
  3. 真实一致度扣除运气的净一致程度，越高代表共识越强。
    Po−PeP_o - P_e
  4. 归一化以“理想一致”为分母，把结果映射到 0~1 的可比区间。
    Po−Pe1−Pe\frac{P_o - P_e}{1 - P_e}

数据多样性

孩子在家把番茄鸡蛋炒得滚瓜烂熟，到了外婆家换了口铁锅就翻车——因为他只见过一种灶台、一种锅、一种光线。数据多样性，就是让模型“见世面”。

机器人的泛化能力不是凭空长出来的，而是靠训练数据覆盖足够多的变量。如果数据只来自同一张桌子、同一盏灯、同一个物体，模型就会把“特定场景”误当成“普遍规律”。

多样性通常从四个维度下手。场景多样化：换桌面颜色、光照、背景，让模型适应不同环境。物体丰富性：准备不同形状、颜色、材质的操作对象，别让模型只认识红色方块。视角变化：多相机位姿、随机初始摆放，让模型习惯“从不同角度看世界”。任务组合：把“抓、放、推、开、转”这些原子技能排列组合成新任务，形成组合爆炸式的泛化。数据多样性可以用分布熵来量化，熵越大代表覆盖越均匀。

想让孩子成为“上得厅堂下得厨房”的高手，就不能只练一道菜。喂 VLA 数据同理：宁可总量少一点，也要让场景、物体、视角、任务雨露均沾——多样性是泛化的地基。

H=−∑i=1kpilog⁡2piH = -\sum_{i=1}^{k} p_i \log_2 p_i
熵衡量数据分布的“公平程度”：所有样本挤在一个类别里，熵为零；均匀铺开，熵最大。
  1. 类别占比某一类数据在整体中的比例。
    pip_i
  2. 类别总数场景、物体、任务等变量的取值种类数。
    kk
  3. 对数项单个类别的信息量，占比越小携带信息越多。
    log⁡2pi\log_2 p_i
  4. 求和取负把各类信息量加权求和再加负号，得到多样性熵。
    −∑i=1kpilog⁡2pi-\sum_{i=1}^{k} p_i \log_2 p_i

真仿真结合

仿真厨房玩具便宜、摔不坏、一按按钮就能重新摆好，但手感终究和真锅真铲差一截；真厨房最真实，可打碎一个盘子都让人心疼。聪明的教法，是先在玩具厨房把动作练熟，再进真厨房找手感。

具身智能的数据同样面对这个两难：真机数据贵、慢，仿真数据便宜、快但不真实。于是“仿真预训练 + 真机微调”就成了当前的主流思路。

落地有三板斧。仿真平台选型：MuJoCo 物理精度高、Isaac Sim 渲染真实感强、SAPIEN 物体交互丰富，按任务特点选。域随机化：把仿真里的光照、纹理、材质、摩擦系数统统随机化，逼模型学到“本质”而非“表皮”。真机校准：采集少量真实数据，把仿真与真实之间的“域差距”拉回来。训练时把仿真损失和真实损失按权重混合，前期让仿真带节奏，后期让真机精修。

孩子先在玩具厨房把颠勺练得风生水起，再进真厨房颠两下找手感，两手并进既省钱又能做出真菜。仿真负责“量”，真机负责“真”，两条腿走路，才能喂出一个能上手的 VLA。

Ltotal=λLsim+(1−λ)Lreal\mathcal{L}_{\text{total}} = \lambda \mathcal{L}_{\text{sim}} + (1-\lambda) \mathcal{L}_{\text{real}}
混合损失就像“三七分”的教学计划：七成时间在玩具厨房打基础，三成时间进真厨房抠细节。
  1. 仿真损失模型在仿真批量数据上的误差，量大、占比高。
    Lsim\mathcal{L}_{\text{sim}}
  2. 真实损失模型在真机小批量数据上的误差，量少但关键。
    Lreal\mathcal{L}_{\text{real}}
  3. 混合权重控制仿真损失占多大比重，通常取 0.7~0.9。
    λ\lambda
  4. 合成总损失按权重叠加两路误差，驱动模型参数更新。
    λLsim+(1−λ)Lreal\lambda \mathcal{L}_{\text{sim}} + (1-\lambda) \mathcal{L}_{\text{real}}

数据增强技巧

孩子练颠勺，爸爸会故意调暗灯光、把盘子换成更滑的、把菜摆得歪歪扭扭，逼他练出“环境怎么变、动作不变形”的真功夫。

数据增强，就是在不改变任务本质的前提下人为制造“意外”，让模型对干扰不敏感。VLA 的增强手段比 CV 的“翻翻转转”丰富得多，因为机器人数据里藏着动作和时间的维度。

四类常用手段。视觉干扰：颜色抖动、高斯噪声、随机遮挡、亮度变化，模拟真实传感器的不确定性。轨迹位姿扰动：给动作标签加小幅高斯扰动，让模型学会容忍执行误差。时间维度变换：改变帧采样率、随机裁剪片段，增强对动作快慢的鲁棒性。任务重组复用：同一段操作视频换一种指令说法重新入库，比如“把杯子放稳”改成“轻轻放下杯子”，一份数据当多份使。

爸爸制造意外，不是为了给孩子添堵，而是为了让他考试时不怯场。数据增强的道理一模一样：今天的刻意刁难，换来的是模型在真实世界里的从容。

x′=Tcolor∘Tgeo∘Tnoise(x)x' = T_{\text{color}} \circ T_{\text{geo}} \circ T_{\text{noise}}(x)
增强不是“无中生有”，而是“以同一道菜的不同做法”，让模型尝遍酸甜苦辣。
  1. 原样本一条包含图像帧与动作轨迹的原始示范。
    xx
  2. 复合变换颜色、几何、噪声三类增强依次作用于样本。
    Tcolor∘Tgeo∘TnoiseT_{\text{color}} \circ T_{\text{geo}} \circ T_{\text{noise}}
  3. 增强样本变换后生成的新样本，与原数据一起入训练。
    x′x'
  4. 同任务不变性增强不改变任务语义，只增加干扰。
    label(x′)=label(x)\text{label}(x') = \text{label}(x)

质量评估体系

给孩子的菜，大人得先尝一口才敢端上桌；咸了淡了还能补救，坏了的食材喂下去可就伤了身体。VLA 数据也一样，进模型之前必须先“试吃”。

数据问题往往是模型训练失败的隐形元凶：标注张冠李戴、轨迹中途断裂、指令与行为对不上，都会让模型学到错误的映射关系。

一套完整的质量评估体系有四层。指标层：任务成功率、轨迹平滑度、指令-行为对齐度，给数据打分。自动清洗：用规则（轨迹越界、夹爪状态非法）和预训练模型批量筛掉坏样本。人工抽检：按 5%~10% 比例抽样审核，用抽检通过率代表整批质量。模型验证：拿小规模数据快速训练一版，看损失曲线和成功率是否健康，用训练结果反向定位坏数据。

好厨师每天收工前会清点食材、试吃菜品；数据工程师也要让每个批次的数据都带着“质量合格证”流入训练管线。坏食材进锅，再好的厨师也救不回来。

Rpass=NpassNtotal×100%R_{\text{pass}} = \frac{N_{\text{pass}}}{N_{\text{total}}} \times 100\%
通过率是批次的“体检报告”：低于 95% 的批次，直接退回重做。
  1. 总样本数被抽检批次中的全部样本条数。
    NtotalN_{\text{total}}
  2. 通过样本数通过自动与人工检查的合格样本条数。
    NpassN_{\text{pass}}
  3. 批次通过率合格样本占总样本的比例，衡量整批质量。
    NpassNtotal×100%\frac{N_{\text{pass}}}{N_{\text{total}}} \times 100\%
  4. 质量阈值通过率低于阈值的批次触发返工重采。
    Rpass≥95%R_{\text{pass}} \geq 95\%

规模与工程化

教一个孩子做一道菜，一张菜谱就够了；要开一百家连锁餐厅，就得有中央厨房、冷库和配送系统。VLA 数据也是同理——规模一大，工程化就决定成败。

VLA 模型的数据量从几万条到数百万条不等，这时候数据已经不是“文件”，而是一套需要持续经营的资产。光囤数据不建管线，最终只会得到一堆没法用的死数据。

工程化有四件事。规模规划：参考数据规模定律，先定目标能力再反推需要的示范量，别拍脑袋。存储规范：统一用 HDF5 或 RLDS 格式，一个样本封装 RGB-D 图像、关节角、位姿、语言指令四大件。版本管理：数据集像代码一样打 tag、写 changelog，保证任何一次训练都能复现。自动化管线：把采集、清洗、标注、增强、入库串成全自动流水线，让数据像自来水一样持续供应。

连锁餐厅的中央厨房讲究的是标准、库存、冷链一条龙；VLA 数据工程追求同样的事——让数据像食材一样，按需、按时、按质送到模型嘴边。数据飞轮一旦转起来，模型才能越吃越强。

L(D)=aD−b+cL(D) = a D^{-b} + c
规模定律画出一条“收益递减”的下坡线：数据越多，损失越低，但越往后越接近天花板 c。
  1. 验证损失模型在固定验证集上的误差，越低越好。
    L(D)L(D)
  2. 训练数据量参与训练的示范总条数。
    DD
  3. 幂律衰减项损失随数据量按幂律下降，b 通常小于 1。
    D−bD^{-b}
  4. 不可约误差数据再多也无法消除的损失下限，由任务上限决定。
    cc

AI 应用场景

仓储机器人的抓取策略训练

阶段：数据工程与模型迭代

解决的问题：真实遥操作一晚上只能攒几百条示范，远不够训练 VLA 抓取策略。传统做法盲目堆真机数据，成本高昂且场景覆盖有限。用“仿真造量 + 真机校准”的混合方案，把有效数据量提升两个数量级，再配合数据增强补齐场景覆盖。

具体案例：某电商仓库要训练货架抓取 VLA 模型。团队在 Isaac Sim 中对货架布局、光照、纹理做域随机化，批量生成 5 万条仿真示范；再采集 2000 条真机遥操作数据做校准。混合训练后，抓取成功率从 43% 提升到 82%，面对从未见过的新货架布局也能保持稳定表现。

指令多样化自动标注

阶段：数据标注

解决的问题：人工给每段操作视频写指令，一天最多百余条，且说法单一，导致模型对同义指令不敏感——用户说“放进盒子”它听不懂，因为训练数据里只有“放入箱子”。用大模型辅助改写 + Kappa 一致性校验，批量产出多样化指令。

具体案例：团队先用 LLM 把“把红色方块放进蓝色杯子”改写成“拿起红色方块放进蓝色杯子”“将方块移入杯中”等 30 种同义表达，再请 3 名标注员抽检一致性，Kappa 系数从 0.52 提升到 0.87。新指令覆盖训练后，模型对用户口语化指令的响应准确率提升了 31%。

Python 演示

python58 行
import numpy as np  class VAACollector:    """模拟VLA数据集采集与增强流水线"""     def __init__(self, N0=150):        self.N0 = N0        self.episodes = []     def collect(self, task, n_episodes):        # 模拟遥操作：每条示范 = (任务指令, 动作轨迹)        for i in range(n_episodes):            traj = []            length = np.random.randint(40, 70)            obj_x = np.random.uniform(-0.3, 0.3)            for t in range(length):                action = np.array([                    obj_x * t / length + np.random.normal(0, 0.02),                    np.random.normal(0, 0.02),                    np.clip(np.random.normal(0.5, 0.05), 0.0, 1.0)                ])                traj.append(action)            self.episodes.append((task, np.array(traj)))     def augment_traj(self, traj, noise=0.01):        # 轨迹位姿扰动增强        return traj + np.random.normal(0, noise, traj.shape)     def success_rate(self, n_demos):        # 成功率随示范数增长的指数饱和曲线        return 1 - np.exp(-n_demos / self.N0)     def diversity_entropy(self):        # 任务分布的信息熵，衡量数据多样性        task_counts = {}        for task, _ in self.episodes:            task_counts[task] = task_counts.get(task, 0) + 1        counts = np.array(list(task_counts.values()), dtype=float)        p = counts / counts.sum()        return -np.sum(p * np.log2(p + 1e-12))  def main():    dc = VAACollector(N0=150)    tasks = ["place_block", "pick_cup", "open_drawer"]    for task in tasks:        dc.collect(task, n_episodes=np.random.randint(80, 200))    print("采集示范总数:", len(dc.episodes))    print("任务分布熵: %.3f bits" % dc.diversity_entropy())    aug = [dc.augment_traj(ep[1]) for ep in dc.episodes[:5]]    print("增强后轨迹形状:", aug[0].shape)    for n in [50, 150, 300, 600]:        print("示范数 %3d 条 -> 成功率 %.1f%%" % (n, dc.success_rate(n) * 100))  if __name__ == "__main__":    main()
目的：用几十行代码模拟 VLA 数据集从采集、标注、增强到质量报告的全流程，直观看到“示范数量与成功率”的指数饱和关系。
  1. self.episodes.append((task, np.array(traj)))每条示范都是一个“指令 + 轨迹”二元组，这是 VLA 数据的最小单元。
  2. np.random.normal(0, 0.02)模拟遥操作中人的手部抖动，让仿真轨迹更接近真实。
  3. return traj + np.random.normal(0, noise, traj.shape)数据增强：给动作标签加小扰动，提升模型对执行误差的容忍度。
  4. return 1 - np.exp(-n_demos / self.N0)成功率曲线公式，体现“数据边际递减”的核心规律。
  5. counts = np.array(list(task_counts.values()), dtype=float)把各任务的样本数转成数组，为计算占比和熵做准备。
  6. if __name__ == "__main__":让脚本既可被 import 也能直接运行，符合工程化习惯。

常见误区

误区“VLA 不就是喂数据吗？我多采点数据，模型效果自然就上去了，采集简单粗暴就行。”

正解成功率随示范数增长是指数饱和曲线，堆到一定量后边际收益趋近于零。真正的瓶颈是多样性和质量：50000 条千篇一律的仿真数据，未必比 5000 条精心覆盖场景变化的数据有用。先把多样性做起来，再谈数量。

为何常见：“大模型时代数据为王”的观点深入人心，容易把数量当成唯一指标，忽略了机器人数据的分布问题。

误区“仿真渲染再真也是假的，模型肯定会学歪，我只信真机采集的数据。”

正解仿真 + 真实混合训练是现代 VLA 的主流范式。仿真负责提供海量、多样、低成本的预训练数据；少量真机数据负责校准域差距。把域随机化做好，仿真数据反而能提升模型的泛化能力。全真机采集成本高到一般团队根本跑不动。

为何常见：初看仿真画面与真实差异明显，直觉上认为“假数据一定有害”，低估了域随机化和校准的作用。

误区“VLA 标注不就是给视频配句话吗？找个外包写写 prompt 就完了。”

正解VLA 标注至少分语言指令、动作轨迹、状态语义三层，还要做一致性校验。指令本身有歧义问题：“把杯子放稳”里的“稳”到底对应什么目标位姿？不细致的标注会让模型学到错误的指令-动作映射。

为何常见：以为 VLA 和 LLM 一样只需文本标注，忽略了动作和状态维度是机器人数据的独有之处。

误区“数据增强就是老 CV 那套翻翻转转、调调颜色，对机器人数据没什么用。”

正解机器人数据增强远不止图像：轨迹加高斯扰动可以让模型容忍执行误差；时间维度采样变换可以增强对速度的鲁棒性；同一段视频换指令重组可以“一份数据多份用”。这些是 CV 数据增强里没有的新维度。

为何常见：把数据增强等同于图像增强，不了解动作轨迹和任务语义同样可以被增强。

误区“数据集建好、模型训完，数据工作就算结束了，后面不用再管。”

正解数据是持续迭代的资产。模型在真实场景暴露的问题会回流成新的数据需求，需要版本管理、自动管线、增量更新，形成“部署→发现问题→补数据→再训练”的数据飞轮。不迭代的数据集很快会变成模型的瓶颈。

为何常见：把数据建设当成一次性的交付物，忽略了数据工程与模型迭代的共生关系。

面试题

Q1. VLA数据采集的三种主流方式是？

单选题 · easy

  • A.遥操作、仿真生成、视频提取← 正确答案
  • B.爬虫抓取、人工编造、CV复用
  • C.文本合成、语音转写、OCR扫描
  • D.随机噪声、对抗生成、模板填充

答案：A。三种方式是真实遥操作、仿真数据生成、人类视频提取，分别对应“手把手示范、模拟厨房、看美食节目”。B 是互联网文本思路，C 是语音/OCR 思路，D 是生成模型思路，都不属于机器人演示数据采集。

Q2. 关于遥操作采集，下列说法正确的是？

单选题 · mid

  • A.成本低且可大规模自动生成
  • B.真实可靠但采集速度受限← 正确答案
  • C.完全不需要人工参与执行
  • D.数据质量在所有方式中最低

答案：B。遥操作由人控制真机执行任务，数据真实可靠，但一小时只能采几百条，速度受限且成本高。A 描述的是仿真生成的特点，C 与事实相反，D 说反了——遥操作数据质量恰恰是三种方式中最高的。

Q3. 域随机化技术的主要作用是？

单选题 · mid

  • A.随机化仿真参数增强迁移鲁棒性← 正确答案
  • B.让模型精确记住仿真环境纹理
  • C.彻底消除真机数据采集的必要性
  • D.不断更换物理引擎提高渲染速度

答案：A。域随机化随机扰动光照、纹理、材质、摩擦系数等参数，让模型学到场景的“本质”而非“表皮”，增强 sim-to-real 迁移能力。B 是过拟合，C 过于绝对，D 与物理引擎无关。

Q4. Kappa一致性系数越低，说明标注？

单选题 · mid

  • A.标注员之间的意见越一致
  • B.标注质量越差、歧义越多← 正确答案
  • C.数据集的样本数量越充足
  • D.模型训练的收敛速度越快

答案：B。Kappa 系数扣除“随机一致”后衡量真实一致程度，越低说明标注员分歧越大、指令歧义越多，需要返工。A 说反了，C 和 D 都与标注一致性无关。

Q5. 下列哪些属于VLA数据集增强手段？

多选题 · mid

  • A.颜色抖动和随机遮挡← 正确答案
  • B.轨迹添加高斯位姿扰动← 正确答案
  • C.时间维度的帧采样变换← 正确答案
  • D.删除所有失败的示范数据

答案：ABC。视觉干扰、轨迹位姿扰动、时间维度变换都是 VLA 数据增强手段。D 是数据清洗而非增强——失败示范可以被分析利用（比如定位困难子任务），但不能简单粗暴地全删。

Q6. VLA数据标注通常包含哪三个维度？

单选题 · easy

  • A.语言指令、动作轨迹、状态语义← 正确答案
  • B.音频频谱、情感标签、说话人ID
  • C.网址链接、爬虫深度、页面大小
  • D.基因序列、蛋白质结构、细胞类型

答案：A。VLA 数据标注包含语言指令、动作轨迹、状态语义三层，对应“做什么、怎么做、面对什么”。B 是语音标注，C 是网络爬虫字段，D 是生物信息，均与机器人操作无关。

Q7. 关于仿真与真实数据的混合训练，正确做法有？

多选题 · hard

  • A.先仿真预训练再真机数据微调← 正确答案
  • B.仿真数据必须全部添加噪声
  • C.少量真机数据用于校准域差距← 正确答案
  • D.混合比例可以按场景动态调整← 正确答案

答案：ACD。仿真预训练 + 真机微调是主流范式，真机数据用于校准 sim-to-real gap，混合比例（损失权重 λ）也可按场景动态调整。B“必须全部添加噪声”过于绝对，增强是手段而非必然。

Q8. 成功率随示范数量N增长的趋势是？

单选题 · hard

  • A.线性增长且可以无限提升
  • B.指数衰减饱和的凹曲线← 正确答案
  • C.完全随机没有任何规律
  • D.先降后升的倒V形曲线

答案：B。成功率 P = 1 - e^(-N/N₀) 是指数饱和曲线：前期提升快，后期边际递减并趋近于 1。A 忽略了饱和，C 违背实验观测，D 与模型学习的经验规律不符。

Q9. 下列哪项属于数据质量的自动化清洗手段？

单选题 · easy

  • A.规则过滤和预训练模型筛除← 正确答案
  • B.人工逐条观看全部训练视频
  • C.跳过质量检查直接开始训练
  • D.随机删除一半的历史数据集

答案：A。自动清洗用规则（轨迹越界、夹爪状态非法）和预训练模型批量筛掉坏样本。B 是人工抽检，不可能做到“逐条全部”；C 是自欺欺人；D 是随机删除，不是质量导向的清洗。

Q10. 数据集版本管理的价值包括？

多选题 · hard

  • A.保证训练结果可复现可回溯← 正确答案
  • B.每次更新记录数据变更明细← 正确答案
  • C.将标注成本降低到完全为零
  • D.支持多版本并行训练对比实验← 正确答案

答案：ABD。版本管理让数据集像代码一样打 tag、写 changelog，支持可复现、可回溯、多版本并行对比实验。C“成本为零”是绝对化表述，版本管理降低的是维护成本而非标注成本。