中美模型公司数据配方与供应商矩阵

六层口径

L1 预训练语料（token 与来源）、L2 版权授权与交易、L3 后训练人类数据、L4 RL 环境、L5 合成与蒸馏、L6 产品回流政策。未披露一律写“未披露”，不推测。

美国与全球的路线分型

• 全开放派：AI2、Swiss AI Apertus、Hugging Face，语料、过滤与后训练全放。
• 半开放企业派：NVIDIA、Llama 3（Meta）、TII Falcon（Falcon-H1 / H1R）、Liquid 等，给 token 数与大类配比，不给全集。
• 闭源前沿派：OpenAI、Anthropic、Google DeepMind、xAI、Amazon Nova，L1 沉默，只在诉讼、system card 与 FMTI 评分里被动暴露。
• 合成优先小模型派、环境即产品派（Cursor、Poolside）、平台微调派、再基座适配派（见 日韩与小型开源模型厂（EXAONE / HyperCLOVA X / Solar / Sakana / Liquid））。

中国一侧要点

23 家中国模型公司的一手文件（“23 家”口径未核实 ⚠️）几乎不点名外部数据供应商；L4 基本自建；蒸馏是 L5 的显性争议；反向供给主要来自研究机构与开源派（上海 AI Lab（书生 InternLM））。招股书将成为新披露窗口（智谱招股书数据外包金额与未获许可数据风险、MiniMax 招股书训练数据风险与预算）。

跨公司规律

L3 外采比例最高且能看到金额：Mercor 2026 年 6 月总口径（gross）年化收入超 $20 亿（The Information 经 Dealroom 转述）；来自基础模型公司的占比为2026 年上半年约 91%（媒体口径，The Information 转述）（所引 Dealroom 页未含该比例 ⚠️）；L4 外采在爆发的同时 lab 自建占比上升；L1 几乎全自建，盗版库是风险敞口而非供应商。诉讼文书比技术报告更具体地暴露书籍层。

来源

1. https://dealroom.co/news/137121-mercor-doubles-to-2b-gross-revenue-run-rate-as-ai-labs-buy-expert-data/ (2026-10-15)
2. https://techcrunch.com/2025/10/29/how-ai-labs-use-mercor-to-get-the-data-companies-wont-share (2026-10-15)
3. https://arxiv.org/pdf/2512.02556 (2026-10-15)