大模型训练的数据问题已经变了。早期扩展路线依赖更多网页、书籍、代码和人工标注样本，核心工作是采集、清洗、去重和配比。进入长任务、工具调用、电脑操作、机器人控制和专业流程后，单条“输入—答案”样本不再够用。模型需要面对可交互环境，连续执行动作，读取环境反馈，在中间步骤失败、恢复，并最终接受可验证的结果评分。
2026年9月23日发布的《AI技术每日分析》把这一变化放在了同一条线上：Snorkel AI获得3.5亿美元融资，复杂训练数据、评测数据和模拟环境成为独立基础设施市场；小米MiMo-V2.6不只发布模型，还公开强化学习环境、训练代码和技术报告；其训练覆盖长周期软件工程、自动化流程、视觉任务、网络安全、3D与具身仿真。同期《工业智能每日观察》披露，NVIDIA Isaac ROS 5.0提供面向感知模型微调和抓取任务的Skill，并由Magna结合Isaac Sim开展Hardware-in-the-Loop测试。
这些信息指向一个明确的工程结论：未来的数据基础设施，不只是存放语料的数据湖，而是能够持续生产任务、运行任务、记录轨迹、判定结果和回放故障的“环境工厂”。
一、为什么静态样本无法覆盖复杂能力
静态监督数据擅长教模型建立映射关系，例如问题到答案、指令到代码、图像到标签。复杂Agent任务却具有五个不同特征。
第一，任务有状态。模型点击一个按钮、修改一段代码或移动机械臂后，环境已经发生变化，下一步输入取决于上一步动作。训练记录必须保存状态转移，而不是只保存最终答案。
第二，正确路径不唯一。软件修复可能有多种实现，机器人抓取可能选择不同轨迹，网页操作也可能通过不同菜单完成。评测系统不能机械比较文本，而要验证仓库测试是否通过、目标对象是否到位、业务状态是否真的改变。
第三，错误会累积。长任务中单步准确率即使较高，连续几十步后仍可能偏离目标。训练基础设施必须识别失败发生在哪一步，是感知错误、规划错误、工具调用参数错误，还是环境本身不可用。
第四，环境存在不确定性。网页元素可能变化，网络会超时，仿真传感器有噪声，生产系统会出现资源冲突。模型只有在包含扰动的环境中训练和评测，才能证明它具备恢复能力，而非记住了一条演示轨迹。
第五，真实执行带来成本和风险。电脑操作会修改账户和文件，机器人动作可能碰撞设备，网络安全任务可能越过授权边界。因此训练环境既要足够真实，又要具备隔离、复位、审计和权限控制。
从这个角度看，“复杂训练数据”并不是更长的文本，而是由任务定义、初始状态、可用工具、动作轨迹、环境反馈、评分规则和安全约束共同组成的数据对象。
二、训练数据的最小单元应从样本升级为任务包
一个可复用的复杂任务包至少应包含八类内容。
- 任务规格：明确目标、完成条件、禁止动作、时间预算和资源预算。描述必须可机器读取，避免训练目标与评测目标使用两套口径。
- 初始状态：包括代码仓库版本、网页快照、数据库内容、机器人场景、设备参数、账户权限和随机种子。没有可重建的初始状态，轨迹就无法复现。
- 工具契约：定义模型可调用的API、ROS节点、命令、浏览器操作或仿真控制接口，以及参数模式、返回值和错误码。
- 环境观测：保存文本、图像、视频、多视角相机、深度信息、日志和设备状态。MiMo-V2.6把文本、图像、视频、电脑使用和3D空间推理放在同一体系，意味着观测层必须支持多模态时间对齐。
- 动作轨迹：不只记录成功轨迹，还要记录失败动作、重试、回滚和工具异常。失败数据往往比理想演示更能暴露策略缺陷。
- 自动评分器：软件任务可运行测试套件，业务任务可检查数据库状态，机器人任务可测量位姿误差、碰撞次数和完成时间。评分器必须与自然语言评价分离，降低“看起来完成”的误判。
- 安全策略：规定网络访问、文件写入、密钥使用、物理工作空间和最大动作幅度。环境需要在执行层拦截违规行为，不能只依赖提示词。
- 溯源元数据：标记数据来源、生成方式、版本、许可、人工修改记录和适用范围，支持问题追踪与合规审计。
任务包一旦标准化，同一任务可用于监督微调、强化学习、回归测试和上线验收。训练与评测共用环境定义，也能减少“训练时学一套、部署时遇到另一套”的落差。
三、评测环境的关键不是排行榜，而是可重复的闭环
公开Benchmark通常给出一个汇总分数，但企业真正需要的是可定位、可复跑、可比较的工程评测。完整闭环应由任务调度器、隔离执行环境、观测采集器、评分器、轨迹仓库和分析面板组成。
任务调度器负责选择任务、控制并发和注入随机扰动；隔离环境可采用容器、虚拟机、浏览器沙箱或机器人仿真世界，保证每次执行都能从已知状态启动；观测采集器统一记录模型输入输出、工具调用、延迟、Token消耗和系统资源；评分器给出成功率之外的细分指标；轨迹仓库保存完整证据；分析面板按任务类型、错误阶段、模型版本和环境版本比较结果。
指标也需要从单一成功率扩展。至少应关注任务完成率、首次成功率、平均重试次数、恢复成功率、工具调用错误率、单位成功任务Token、单位成功任务时延、危险动作触发率和人工接管率。日报对Claude Opus 5.5的观察同样适用于这里：企业最终关心的是单位任务成本，而不是脱离成本的绝对分数。
评测环境必须版本化。模型分数变化可能来自模型升级，也可能来自网页变化、依赖更新、仿真参数调整或评分器缺陷。如果没有环境镜像、任务版本和随机种子，所谓提升无法归因。每次评测应生成包含模型版本、任务集版本、环境哈希、评分器版本和运行配置的清单。
还要防止训练数据与评测任务污染。可采用模板生成但隐藏参数、定期轮换初始状态、保留私有任务集，并检查模型是否只是复现已见轨迹。对于代码、网络安全和电脑操作任务，环境应主动设置同构但不相同的问题，检验策略迁移能力。
四、仿真基础设施如何连接数字任务与物理任务
软件Agent环境主要解决状态、权限和可验证执行；机器人仿真还要处理几何、动力学、传感器和控制周期。二者底层逻辑相同：都需要稳定接口、快速复位、批量并行和结果判定，但物理任务多了一层“仿真到现实”的偏差。
日报披露的MiMo-V2.6案例包括基于多视角摄像头控制Franka机械臂，以及生成Blender 3D对象和多Agent构建交互式3D场景。Isaac ROS 5.0则把FoundationPose、FoundationStereo微调和Pick-and-Place Skill接入机器人开发工作流。这要求仿真平台至少具备场景资产管理、传感器模型、机器人本体模型、控制接口、碰撞检测、数据录制和批量实验能力。
训练时不能只追求高保真。全量高精度物理仿真成本高、运行慢，不适合所有阶段。更实用的架构是分层环境：低成本环境用于大量策略探索，中等保真环境验证感知与规划耦合，高保真环境和Hardware-in-the-Loop用于发布前测试。Magna结合Isaac Sim开展HIL测试，体现的正是把真实控制硬件或软件栈接入虚拟场景，在不承担完整现场风险的情况下验证系统行为。
缩小仿真到现实差距，需要对光照、材质、背景、相机内外参、噪声、延迟、摩擦系数和物体质量进行随机化，并在真实设备采集少量校准数据。评测不能只看“是否抓起”，还应记录位姿估计误差、规划失败、碰撞裕量、控制抖动、周期延迟和异常停止是否生效。
五、工程架构：把环境当成持续交付系统
企业可把复杂数据与仿真平台拆成五层。
资产层保存任务模板、代码仓库、3D资产、传感器配置、业务数据快照和安全策略。所有资产必须版本化。
环境层提供容器、虚拟机、浏览器、业务系统沙箱和机器人仿真器，暴露统一的创建、复位、暂停、快照和销毁接口。
编排层接收训练或评测作业，分配算力，控制并发，注入任务参数与故障，并管理超时。算力调度不能只看GPU利用率，还要考虑仿真CPU、存储吞吐、许可证和外部服务配额。
数据层记录多模态轨迹、日志、评分和人工复核结果，支持按失败类型检索。轨迹数据量可能远高于静态文本，应制定保留周期和冷热分层策略。
治理层管理数据许可、环境权限、密钥、审计、红队测试和发布门禁。任何可连接真实系统的工具，都应默认最小权限，并提供动作确认、速率限制与紧急停止。
流水线应形成“任务生成—批量运行—自动评分—失败聚类—人工复核—数据回流—模型更新—回归评测”的循环。重点不是积累最多轨迹，而是找到高价值失败：模型反复犯错、业务影响大、可稳定复现、修复后能迁移到一类任务的问题。
六、企业落地的顺序
第一步不是采购一个庞大平台，而是选定20至50个真实、可验收的任务。任务应覆盖正常路径、边界条件和高风险动作，并明确人工基线。
第二步建设确定性评分。若团队无法一致判断任务是否完成，就不适合立即做强化学习。先把测试脚本、状态检查和安全规则写清楚。
第三步实现一键复位和完整回放。环境不能稳定复位，训练结果就不可比较；轨迹不能回放，事故也无法定位。
第四步加入成本指标。每次运行同时统计Token、时延、计算资源、人工接管和失败损失，用单位成功任务成本选模型与策略。
第五步再扩大任务生成和仿真规模。自动生成的数据必须经过覆盖率、难度分布、重复度和评分器可靠性检查，不能把“数量增长”等同于“能力增长”。
七、分析判断（非新闻事实）
判断一：复杂数据公司的核心资产将从标签平台转向环境与评分器。 标签可以被替换，稳定复现真实任务、自动判定结果并持续生成有效失败的能力更难复制。
判断二：训练平台、测试平台和数字孪生平台会逐步合流。 对Agent和机器人而言，同一环境既服务模型优化，也服务软件回归、硬件在环验证和上线门禁。组织上继续割裂，会产生重复建模和口径冲突。
判断三：高质量数据的衡量单位将变成“有效能力增量”。 一百万条相似轨迹可能不如一千条覆盖关键失败模式的任务。企业需要用消融实验判断某类数据是否真正提高迁移能力。
判断四：安全控制必须成为环境的原生能力。 当Agent能够操作账户、生产系统和机器人时，仅靠输出审核已经太晚。权限、隔离、动作约束、审计和紧急停止必须进入执行层。
复杂训练数据的竞争，本质上是把领域知识写成可运行任务，把工程约束写成可执行规则，把结果写成可验证评分。谁先完成这套基础设施，谁才有条件持续训练和交付可靠的长任务Agent。
一个容易被忽略的验收条件：评分器也要被测试
评分器本身可能把环境故障判成模型失败，也可能被模型利用表面特征绕过。每次更新任务集，应准备人工复核的小样本，对自动评分的准确性、误判率和漏判率做回归检查。只有评分器可信，训练数据和模型排名才有解释力。## 来源
- 小米 MiMo：《Introducing MiMo-V2.6 series》，2026-09-22。
https://mimo.xiaomi.com/mimo-v2-6/article - Reuters：《Snorkel AI valued at $3.5 billion amid surging demand for complex AI training data》，2026-09-22。
https://www.reuters.com/legal/transactional/snorkel-ai-valued-35-billion-amid-surging-demand-complex-ai-training-data-2026-09-22/ - NVIDIA：《NVIDIA Isaac ROS 5.0 Advances Agentic, Open Source Robotics Development》，2026-09-22。
https://blogs.nvidia.com/blog/isaac-ros-5-0-agentic-open-source-robotics/ - Anthropic：《Introducing Claude Opus 5.5》，2026-09-22。
https://www.anthropic.com/claude-opus-5-5
本文事实范围依据2026年9月23日已发布的《AI技术每日分析》和《工业智能每日观察》；“分析判断”部分为基于上述信息的工程推演，不代表相关机构官方结论。