同样是建设一批高质量数据集，有的项目主要开展文本清洗和分类标注，有的项目则需要医学专家对影像病灶进行勾画、复核，并通过模型训练验证数据效果。
即使数据数量相同，两者的工作内容和成本也可能相差较大。
2026年6月，国家数据局印发《关于推进行业高质量数据集建设行动的实施方案》，提出加强数据清洗、增强、标注、对齐、质检等关键环节建设，发展“模型预标注+人工校准”“人工标注+模型检验”等人机协同模式，并完善“数据质量验证+模型应用反馈”的测评方法。
随着行业高质量数据集建设逐步推进，这类项目的预算编制、造价评审和采购定价也面临一个现实问题：
高质量数据集建设项目，到底应该怎么测算造价？
是按照数据条数计价，还是按照人员工时测算？数据清洗、标注、质检和模型验证能否采用同一个单价？已有数据能够直接复用时，还应不应该计算加工费用？
回答这些问题，不能一开始就寻找“一条数据多少钱”，而应先明确建设范围、拆分成本对象，再选择与具体任务相匹配的测算方法。
先划清建设范围：不是所有数据都要重新加工
高质量数据集造价测算的第一步，是盘点既有数据基础。
国家数据局发布的《高质量数据集建设指引》提出，在数据采集前，应当判断所需数据是否已经存在并可直接利用，是否可以通过转换现有数据满足要求，是否可以通过购买、许可或者生成取得，以及是否需要重新采集。
这意味着，同一项目中的数据可能处于不同状态：
已经达到使用要求，可以直接复用；
仅需格式转换、脱敏、去重或者标准化；
需要深度清洗、标注和专业复核；
现有样本不足，需要补充采集或者合成；
来源不清或质量较差，不宜纳入项目。
例如，某医院拟建设肺结节医学影像高质量数据集。医院已有的影像中，可能有一部分来源清晰、图像质量和诊断信息较为完整，经过必要核验后即可使用；另一部分需要补充脱敏、格式转换和病灶标注；还有部分因图像质量、权属依据或者样本价值等原因，不宜纳入本次建设范围。
此时，项目建设规模不能直接按照医院拥有的全部影像数量确定，而应按照质量评估后的实际建设任务分别计算。
如果已有数据可以直接复用，却仍被整体纳入清洗、标注和复核范围，可能形成重复加工；反过来，如果未经检测就认定大量数据可以直接使用，也可能低估实际工作量。
因此，造价测算前应先形成数据分类清单，回答四个问题：
哪些可以直接复用？哪些需要继续加工？哪些需要补充建设？哪些不宜纳入项目？
只有建设范围清楚，后续工程量才有可靠基础。
再拆成本对象：项目费用究竟由什么组成？
高质量数据集项目往往不是一项单纯的数据标注服务。
《高质量数据集建设指引》将建设过程划分为数据需求、数据规划、数据采集、数据预处理、数据标注和模型验证等环节；国家数据局2026年实施方案还进一步提出加强数据清洗、增强、标注、对齐、质检、测评、迭代和全生命周期管理。
结合造价测算，项目费用可以拆分为以下几类。
1. 数据取得费用
包括新增数据采集、外部数据采购、数据许可、合作获取，以及仿真数据、合成数据生成等。
如果数据由建设单位自行提供，一般不应再次计算数据采购费用；但对其开展整理、转换和脱敏，仍可能产生相应的数据加工成本。
2. 数据预处理费用
包括数据清洗、去重、补全、格式转换、结构化、标准化、脱敏、对齐、抽样和特征处理等。
这部分费用不仅取决于数据数量，还会受到原始数据错误率、缺失率、格式种类和关联复杂程度等因素影响。
3. 数据标注费用
根据数据模态和模型任务不同，可能包括：
图片分类、目标框、关键点和像素级分割；
文本分类、实体识别、关系抽取和问答对构造；
语音转写、事件识别和情感标注；
视频目标跟踪和动作标注；
点云、时序数据和多模态数据标注；
指令数据、领域知识和推理过程构造。
其中，既可能由普通标注人员完成，也可能需要医学、法律、工业等行业专家参与。
4. 质量控制费用
包括标注规则制定、人员培训、初检、复检、终检、抽样核验、专家仲裁、不合格成果返工和自动化质检工具使用等。
质量控制不能只以一份最终质检报告概括。质检比例、复核层级、人员要求和返工责任不同，对项目成本的影响也不同。
5. 模型验证费用
包括训练集、验证集和测试集划分，基准模型准备，模型训练或者微调，指标测试，以及数据集使用前后的模型表现对比。
高质量数据集最终要服务于人工智能应用，因此，模型验证不宜只笼统列为一项服务费，而应说明验证对象、模型数量、测试轮次、评价指标和成果要求。
6. 软件工具、基础资源及其他专项费用
部分项目还可能包含数据集管理平台、标注管理工具、质量检测工具、版本管理功能，以及存储、算力、安全审查和第三方测评等内容。
这类费用与数据加工、标注服务的成本形成机制并不相同，宜分别列项、分别测算，避免全部混入一项“高质量数据集建设费”中整体报价。
由此可见：
高质量数据集项目造价不是一项单一的“数据加工费”，而是多类建设任务和成本对象的组合。
工程量怎么定：“一条数据”不是统一计量单位
确定成本对象后，下一步是确定每项任务的工程量。
高质量数据集项目中较为常见的一种做法，是将不同数据和不同任务统一按照“元/条”报价。
但“一条数据”可能是一句短文本、一份完整病历、一张普通照片、一段医学影像或者一分钟视频，其长度、标注对象数量和加工难度差异较大。
因此，不同任务应当根据实际作业对象选择计量单位：
这里还要区分“数据单元”和“标注对象”。
例如，一张医学影像中可能有多个病灶。如果按照图片数量计量，就应考虑单张图片中的平均病灶数量；如果按照病灶数量计量，则要防止图片数量和病灶数量同时计费。
因此，工程量确定不能只回答“有多少数据”，还要回答：
每个数据单元包含多少标注对象；
每个对象需要完成哪些操作；
是否需要多人重复标注；
是否需要普通复核和专家仲裁；
是否采用模型预标注和人工校准；
质检和返工范围如何确定。
如果同一批数据需要依次经过清洗、标注、复核和模型验证，则应分别明确各环节的工程量，避免同一项工作在不同费用科目中重复计算。
造价到底怎么算：可以考虑两条测算路径
从实际项目看，高质量数据集中的不同任务成熟程度并不相同，很难采用一种方法统一测算。
结合现有地方标准和相关技术文件，可以考虑两条路径。
需要说明的是，这两条路径是对现有测算逻辑的实务归纳，并不是现行国家标准规定的两种统一计价方法。
路径一：按照工程量和匹配单价测算
对于工作内容相对标准、市场上已有一定数量同类案例的任务，可以采用：
任务费用＝经核实的工程量×与任务参数相匹配的单价
例如，普通图片分类、规则明确的目标框标注、常规语音转写和文本分类等任务，在计量单位、工作内容和质量要求较为清楚时，可以通过历史项目、市场询价或者适用的地方标准参考价格确定单价。
这里所说的“匹配单价”，不能只按照“图像标注”“文本标注”等项目名称寻找，而应同时比较：
数据模态；
具体标注类型；
标注颗粒度；
标注对象密度；
人员专业要求；
质检流程和抽检比例；
成果准确率；
是否采用模型预标注；
项目规模和实施周期。
例如，同样是图像标注，图片分类、目标检测和像素级分割并不是同一种任务；同样是医学影像标注，普通分类与需要医学专家进行病灶勾画和诊断复核，其成本也不能直接类比。
参数明显不同的项目，即使名称相近，其单价也不宜直接套用。
路径二：按照人工消耗量和人工时单价测算
对于医学影像、工业故障、法律关系、推理过程等专业性较强，或者市场上缺少可靠单价的任务，可以重点测算实际人工消耗量。
基本逻辑是：
任务费用＝工程量×单位数据人工消耗量×对应人员人工时单价＋直接资源费用
如果一项任务涉及多类人员，还可以进一步拆分为：
任务费用＝标注执行费用＋普通复核费用＋专家复核费用＋返工费用＋直接资源费用
其中：
标注执行费用＝标注工程量×单位标注工时×标注人员人工时单价；
普通复核费用＝复核工程量×单位复核工时×复核人员人工时单价；
专家复核费用＝专家复核量×单位专家工时×专家人工时单价；
返工费用＝预计返工量×单位返工工时×相应人员人工时单价。
采用这种方法时，可以结合项目资料、历史数据或试标结果，对标注、复核、专家审核等环节的工程量和人工消耗进行适当细化，使不同人员、不同环节和不同质量要求在测算中得到合理体现，从而增强测算结果的可解释性和可复核性。
例如，需要两轮复核的，可以分别计算初次复核和再次复核的工作量；需要医学专家参与的，可以单独计算专家复核病例数和专家工时；采用模型预标注的，则应按照人工实际校准时间计算人工投入，而不宜继续按照纯人工标注方式计算全部工作量。
如果确实需要采用复杂度、目标密度、质量要求、工具效率等修正系数，则应说明相关参数来自适用标准、历史项目、生产统计还是试标结果，不宜由编制人员主观确定。
单位人工消耗量从哪里来？可以通过试标验证
人工时测算最关键的参数，是完成一个数据单元需要多少时间。
这个时间不能凭经验随意填写。
对于已有同类项目的任务，可以参考：
历史项目实际工期；
标注平台生产记录；
同类任务平均生产率；
已验收合同中的实际工程量和人员投入；
具有可比性的行业资料。
对于缺少历史数据的新型任务，则可以通过小批量试标测定实际效率。
试标的作用不仅是测试标注规则是否可行，也可以帮助测定：
单个数据单元的平均处理时间；
每个数据单元的平均标注对象数量；
模型预标注可以直接采用的比例；
人工校准时间；
普通复核和专家复核时间；
一次质检通过率；
退回比例；
平均返工时间。
试标样本应覆盖简单、一般和复杂数据，不能只选择最容易处理的样本。
例如，一项医学影像标注任务如果存在简单病例、多个病灶病例和边界不清的疑难病例，试标样本就应覆盖不同类型。否则，根据简单样本测出的平均工时，可能明显低估整体工作量。
通过试标，可以把“专业性较强”“标注难度较高”“质量要求严格”等笼统描述，转化为相对可验证的人工消耗参数。
需要注意的是，国家数据局公开的《高质量数据集 数据标注要求》目前仍为国家标准征求意见稿。该文件提出在正式标注前开展小批量试标，统计试标耗时，并根据试标效率评估项目周期和人员规模。相关内容可以作为方法参考，但不能表述为已经正式实施的强制要求。
价格依据如何验证？
完成初步测算后，还需要验证人工时单价、任务单价和其他费用是否合理。
可以综合采用：
本单位或本地区历史项目数据；
同类项目实际合同；
公开采购和中标案例；
供应商市场询价；
适用地方标准中的参考价格；
不同人员类别的人工成本；
标注平台和云资源公开价格；
项目试标和生产效率数据。
其中，公开采购案例主要用于了解市场项目类型和大致价格区间，不能仅凭项目名称和中标总价直接套用。
在开展市场价格验证时，也可以借助“AI询价喵”检索公开采购及中标信息，辅助查找数据治理、数据标注、医学影像加工、数据质量检测等相近项目。
询价结果仍需比较数据模态、处理深度、专业人员要求、质量标准、交付规模和实施周期，避免将建设内容不同的项目简单横向比较。
例如，两个项目都叫“高质量数据集建设”，一个可能只包含既有文本数据清洗和分类，另一个则可能包含医疗影像补充采集、病灶分割、专家复核和模型训练验证。即使二者交付的数据数量接近，总价也不具有直接可比性。
造价依据越多，并不代表测算结果就一定越可靠。关键在于，每一项价格依据能否与本项目的具体建设参数相匹配。
这些测算方式容易导致结果失真
结合上述分析，高质量数据集项目造价测算应重点避免以下情况。
一是按照已有数据总量计算全部加工费用。
未扣除可以直接复用和不宜纳入的数据，容易放大项目规模。
二是不同数据任务统一采用“元/条”单价。
未区分文本长度、标注对象密度、标注颗粒度和专业难度。
三是清洗、标注、质检和返工重复计量。
同一项工作可能在多个报价科目中重复出现。
四是采用模型预标注后，仍按照纯人工标注计算全部工作量。
自动化工具对人工投入的影响，应在工程量或者单位工时中得到体现。
五是难度系数和质量系数缺少依据。
只说明“项目复杂”“要求较高”，却没有历史统计、试标数据或者适用标准作为参数来源。
六是软件开发、数据加工和算力资源混合报价。
不同成本对象无法分别评估，容易掩盖重复建设或者报价偏差。
七是只比较中标总价，不比较建设参数。
相同名称的项目，可能在数据来源、数据模态、标注精度和专家参与程度方面存在较大差异。
八是初始建设和持续更新没有区分。
初次数据集建设、后续增量标注和长期运营维护属于不同阶段，应明确服务周期和成果边界。
现阶段能否直接套用统一标准？
从目前的政策和标准看，国家层面已经实施GB/T 42755—2023《人工智能 面向机器学习的数据标注规程》，对机器学习数据标注的参与方、工作流程和管理要求作出了规范。
但该标准主要解决的是“数据标注活动如何组织实施”，并不是数据标注工程造价定额。目前，国家层面尚未形成一套可以直接适用于各地区、各行业和各类数据任务的高质量数据集建设项目造价标准。
不过，这并不意味着高质量数据集项目完全没有测算依据。近年来，辽宁、湖南、广西、海南等地已经在数据标注、数据治理和数据处理费用测算方面进行了不同形式的探索，相关团体标准也逐步从费用科目、工作量和成果复杂度等角度建立测算框架。
此外，《高质量数据集 数据标注要求》目前仍处于国家标准征求意见阶段，其提出的小批量试标、试标效率统计等内容，可以为单位人工消耗量和项目周期测算提供参考，但不能作为已经正式实施的统一计价规定。。
因此，现阶段更准确的结论是：
高质量数据集建设项目尚无全国统一造价定额，但已经存在可以参考的地方标准、团体标准和测算方法。实际测算时，应结合项目所在地的适用规定、具体建设范围、任务工程量、人员投入、工具使用效率、试标结果和市场价格综合确定。
本文提出的两条测算路径，正是在国家数据局相关政策和建设指引基础上，对现有地方标准、团体标准和相关技术文件中测算逻辑的实务归纳，不宜理解为全国统一的法定计价办法。
结语
高质量数据集项目造价的难点，不是简单缺少一个市场价格，而是项目中的“数据”并不是统一、标准化的工程量。
同样是10万条数据，可能只需要简单分类，也可能需要经过采集、清洗、脱敏、专业标注、专家复核和多轮模型验证，其成本基础完全不同。
因此，测算这类项目造价，不宜一开始就问：
一条数据多少钱？
而应依次回答：
哪些数据真正需要建设？
每类数据具体开展什么工作？
采用什么单位计算工程量？
单位价格或者人工消耗量从哪里取得？
软件、算力和专项服务是否分别列项？
最终价格依据是否与项目参数匹配？
概括而言：
先以应用场景确定数据需求，以既有数据评估划清建设范围，以任务分解形成实际工程量；对于相对标准化的任务，可以按照工程量和匹配单价测算；对于专业性较强、缺少可靠市场单价的任务，可以参考历史生产数据或者试标效率测定人工消耗量，再结合人员人工时单价测算；最后通过历史项目、市场询价和同类案例进行交叉验证。
只有把建设内容、工程量、人工消耗和价格依据逐层对应起来，才能避免高质量数据集项目停留在“按数据量打包报价”的层面，使造价结果更具合理性、一致性和可复核性。
