实体卡片

TollBit、ProRata、ScalePost 与 Microsoft Publisher Content Marketplace：按抓取或使用付费的授权中介

YC 系专家数据公司，ARR 过亿，估值一年内涨超十倍

非营利研究所，全开放模型与语料（数据、代码、配方）的头号提供方

披露面窄，仅能经 Stanford FMTI 的第三方梳理看到四类来源

专家数据加外采 RL 环境加买书扫描，2025-09 起消费者对话进训练池

澳洲上市的老牌标注商，中国 LLM 项目拉动增长

出版商授权、公开数据集、Applebot 与合成四源，隐私立场最强硬

用客户数据做企业专属 RL 训练的服务商

标注平台加合成数据与 AI 反馈框架，2024-06 并入 Hugging Face

Curator 合成数据库与 OpenThoughts 牵头方，兼做 RL 环境

通用 B2B 数据市场，含 AI 训练数据品类

预训练数据策展即服务：过滤、去重与合成改写

全自建 + 规则奖励 RLVR 路线，合成 agent 环境是 V3.2 的数据亮点

企业软件仿真训练 gym，2026-07 被 Mercor 收购

语音、文本、图像数据集市场与经纪商（前 DefinedCrowd）

标注、策展与检索平台，在 LLM 数据链里属工具层

企业软件复刻 gym 供应商，融资与收入口径未经公司确认

图库公司，LLM 数据链里偏展示与定制授权而非通用训练授权

Gemini 闭源、Gemma 以教师蒸馏为核心，L3 依赖外包评分员

合成数据平台，2025-03 被 NVIDIA 报道收购

MCP 环境 SDK、训练评测平台与环境市场

金融工作场景的 RL 训练环境与基准

校园招聘平台转型，以 PhD 供给切入的专家数据商

开放数据集与模型的事实标准托管平台，也是头号开放语料供给方

英国 AI 数据授权市场，2026-01 被 Cloudflare 收购

评测优先的北京专家标注公司，路线最接近 UniPat

运营外包起家、转向 AI 训练数据的第二梯队供应商

K2 数据 rephrasing 与大规模 agentic 合成，蒸馏指控的焦点之一

标注平台起家，以 Alignerr 专家网络切入前沿模型后训练

面向 lab 的互联网复刻环境，侧重 computer/browser-use

软件工程 RL 环境精品商，团队被 Google 以授权加招人方式收走

专家人才市场起家，年化毛收入约 20 亿美元的后训练数据商

Llama 3 披露最完整的闭口径 lab；Scale 49% 股东，LibGen 诉讼缠身

AI 面试驱动的专家网络，2026 年增速最快的新一代数据商之一

招股书承认训练数据可能含未获同意内容；M2 以 PR 环境加教师蒸馏造轨迹

新闻集团，WSJ 等内容对 OpenAI 与 Meta 做年费授权

闭源前沿 lab：L1 零披露，靠授权、专家数据、采购式环境与用户回流

医学期刊独家授权换取分发与引用，以授权语料做临床问答

把物理实验结果当奖励的 AI 科学家公司

由人类演示构建的网站仿真环境，用于训练评测 web agent

代码基础模型公司，以代码执行反馈强化学习（RLCEF）为核心

开放 RL 环境生态：Environments Hub、verifiers 库与按 token 计价的训练 Lab

受治理的 AI 训练数据市场，含 Wirestock 业务

36T token 三阶段预训练 + 实例级打标配比，强到弱蒸馏

UGC 社区平台，Data API 授权给 Google 与 OpenAI

美国开放权重前沿模型创业公司，明说只放权重不放数据

肯尼亚外包标注争议的主角，近年转向 AI 训练服务

标注老牌，被 Meta 持股 49% 后失去多家前沿实验室订单

训练数据、评测基准与 RL 环境数据研究公司，2026-02 被 Mercor 收购

图库公司，LLM 数据链里的授权素材与多模态训练数据卖方

程序化标注起家，转向专家数据、RL 环境与评测榜单托管

AI 音乐生成平台，与 Warner 和解并换得训练授权

自举盈利、人效最高的高端 RLHF 与专家标注供应商

全链公开的瑞士主权模型，追溯式遵守 robots.txt

阿布扎比 TII 的 Falcon 系列，半开放企业派：给 token 数与配方不给全集

Yandex 孵化的众包与专家数据平台，Nebius 让出多数表决权

coding/STEM 数据起家，转向经济价值任务 RL 环境的第二梯队数据商

评测优先的国内专家数据公司，同时自训科研与数学模型

企业 agent 仿真 AI gym

企业 AI 平台，Palmyra X5 称以合成数据训练

印度运营起家的专家标注商，2026-06 宣布被 EXL 收购，2026-08 完成

自建标注团队加 X 平台数据，对外几乎零披露

配比公开最完整的中国团队之一，并以万卷语料与 InternBootCamp 反向供给

云测试起家，延伸到 AI 数据标注平台的传统数据商

京东众智、百度众包、热热与字节 Xpert 等通用及自营标注入口

可验证题集 + 自有专家标注平台 + B 端用量授权，路线最接近"自建为主、外采并存"

公开了智能体 RL 任务构成表，并声称开源 RL 环境，国内少见的 L4 反向供给

11.2T token 预训练声明不含合成数据，SFT 却用 DeepSeek-V3 精修回答

用生产级 IDE 轨迹做 agentic RL，教师明确自报为 DeepSeek

新三板挂牌的老牌训练数据商，版权数据集加调优标注

以数据集构建平台 ACE 为核心，提供 RLHF 数据服务的国内数据商

韩日主权模型与小型开源厂：多为半披露，Sakana 以中国开源权重为基座

北京数据标注与管理服务商，主要客户在自动驾驶

自称高质量数据运营商的杭州多模态数据采集与标注商

中国模型公司里披露授权与标注供应商最多的一家，招股书与 EU 摘要双披露

杭州标注商，自报多模态 RLHF 能力，近年转向 Agent 与评测

以语音合成与语音数据服务见长的国内数据商

A 股首家 AI 训练数据公司，LLM 口径下做语言、语音与评测

Baichuan 2 披露外包红队 50 人；Baichuan-M2 用患者模拟器做医疗 RL 验证器

LongCat-Flash 20T 配方：Stage 2 把 STEM 与代码升至 70%，agentic 合成 8 万 mock 工具

Hunyuan-Large 7T token 中约 1.5T 为四步合成，是中国大厂里合成占比最明确的案例

披露了推理数据（数学加代码）在预训练中占比从 32% 升到 46%

自建 StepCrawl 爬取万亿级网页与电子书，供应商与授权均未披露

含盗版书的 The Pile 子集，及影子图书馆引发的训练版权争议

智源中文互联网语料联盟，从 1TB 到 35TB 的三代中文语料

非营利网页抓取归档，几乎所有开放网页语料的上游

EleutherAI 仅用公有领域与开放许可文本构建的 8TB 语料

Hugging Face 开源的 25B token Mixtral 合成教科书集与配套 SFT 集

240T token 的 CC 标准化数据池与 fastText 过滤基线

Ai2 全开放预训练语料及配套去重过滤工具

Hugging Face 的过滤网页语料（首发 15T token，现版约 18.5T）及教育、多语种、PDF 衍生集

智源开源的千万级中英指令数据，经演化与诊断过滤合成

M-A-P 开源的清洗中文网页语料，配套中文优先的 2B 模型

分类器集成加 LLM 改写，把 CC 保留量做到 6.3T token

开放的推理轨迹蒸馏数据集，用 QwQ 等开放教师而非闭源模型

教科书式合成数据路线：小模型靠“质量”而非规模

法国非营利的开放数学数据与证明器，资产是数据加验证层

复刻 Llama 配方的开放语料，v2 只给质量信号不做过滤

靠规则过滤与去重把 CC 洗成可训数据的早期原型

昆仑万维开放的约 150B token 中文网页语料

MiniMax 开源的可验证逻辑推理合成数据集，带任务生成器与验证器

BigCode 的许可感知开源代码语料，v2 基于 Software Heritage

跨快照、跨数据集全局去重的 5T 级混合语料

Ai2 全开放后训练配方：SFT、DPO、可验证奖励 RL 数据

面壁用验证式轻量分类器筛出的中英高质量网页语料

公开的真实用户与聊天机器人对话集，部署回流数据的开放样本

智源悟道项目的中文网页语料，全量未开放

上海人工智能实验室的多模态语料与 OpenDataLab 发布渠道

三套最常被引用的开放偏好与对话排序数据

覆盖百种以上语言的开放多语种预训练语料

在网络边缘对 AI 爬虫按次返回 HTTP 402 并计费

Laude Institute 开源的 agent 评测与 RL 环境执行框架

众包成对偏好投票平台，评测榜单兼偏好数据源，争议在数据份额不均

NVIDIA 基于 RAPIDS 的 GPU 加速数据策展与去重工具

Hugging Face 开源的大规模文本处理、过滤与去重流水线库

Prime Intellect 的 MIT 开源 RL 环境与奖励函数库

把 WARC 与 PDF 变成可训练文本的前置工具族

2026-02 披露约 2.4 万假账户、1,600 万次以上交互，被指蒸馏 Claude

训练被认定合理使用但盗版库留存不是，以 $15 亿和解收场

欧盟要求公开训练内容摘要并尊重退出权，2026-08-02 起可执法

RL 环境最贵的部件是评分器，弱评分器会被策略钻空子

同一模型换 scaffold，分数可显著摆动

训练被判合理使用，但法官点出"市场稀释"路径，影子库下载仍在争议

从免费语料到 RL 环境，各层单价跨约 6 个数量级

招股书承认训练数据可能含未获同意内容，数据采购标注合规预算合并为每年约 HK$64.9M

MDL 3143 中的新闻版权案，含 ChatGPT 日志保留令，尚无审判日期

匿名论文指 Pangu Pro MoE 与 Qwen2.5-14B 相关性异常高，华为否认，无第三方定论

单任务 $200–2,000，UI 复刻约 $2 万，合同七位数每季度

用验证函数取代奖励模型的强化学习，后训练算力重心所在

用带权重的检查清单当奖励，把 RLVR 延伸到开放式任务

编码与办公 agent 的多步轨迹是回流中价值最高也最敏感的数据

自愿协议正被边缘层强制拦截与标准草案补强

通用标注 $4–40，美国专家 $55–125，中国专家约 ¥100–400 每小时

数据交易所是政策主渠道，但语料成交真实份额与单价均无公开数据

中美模型公司按六层拆解的数据配方总卡：谁自建、谁外采、谁披露

MinHash 去重、模型打分过滤与评测去污染构成语料策展主链路

政策性标注供给：七城基地，2026-06 底标注规模 >119PB、从业 14 万人

2023-12 媒体据内部文档报道字节用 OpenAI API 训练自有模型，OpenAI 暂停其账号

消费档多为默认训练可关闭，商业与 API 档默认不训练

Llama 3 / Olmo 3 / SmolLM3 等开源模型的 token 数与占比披露度对照

以非独占技术授权加招人替代收购的交易结构

用 LLM 重述真实网页，保留事实锚点以提升信息密度

约 $85 亿口径、前四家占七成五以上，且不可与 $186 亿相加

标注工作的转包链、低薪与误分类争议，以及专家化后的新问题

供给侧产业政策：从"数据要素×"三年计划到 2026-06 行业高质量数据集行动

招股书未单列数据采购合同，能反推的上限是研发技术服务费 2025H1 RMB 52.2M

从 CFAA 到合同与反规避：公开页面爬取的责任落在哪

中国无专门禁止蒸馏的法规，用训练数据合法性、备案与数据出境间接约束

蒸馏从技术议题升级为美中政策议题，法律基础仍是合同

DeepSeek V3 $557.6 万等公开训练成本口径及其局限，数据采购不显形

API 客户签数据授权协议即可授权真实用量数据，B 端回流合同化

规则奖励 RL 加 80 万条拒绝采样样本，并蒸馏出小模型

CAIS 与 Scale AI 联合发布的专家出题前沿难题集

只给对话模板前缀，让对齐模型自己生成指令与回答

对齐数据 98% 以上合成，仅约 2 万条人工作锚点

369 个真实桌面与 Web 任务的执行式评分基准，人类基线 72.36%

真实 GitHub issue 修复基准；Verified 被 OpenAI 停报，Pro 接棒

175 条种子自举指令数据，Alpaca 以不到 $500 复刻指令微调

89 个人工验证的容器化终端任务，配套 Harbor 执行框架

自托管网站的 web agent 环境，与统一 gym 接口 BrowserGym

中文模型评测体系：学术题集、公共评测平台与资本方榜单

五个常用 agent 基准与训练环境：模拟用户、状态单测、程序化生成

数据商自建榜单既是销售工具也是专家网络的质量展示

技术报告里最常引用的通用评测集，也是训练数据去污染的主要对象