数据公司卖的强化学习数据，本质是三件套：一件模型能上手做的任务、一套可反复试错的沙箱环境、一组判断做得怎样的评分标准。简单如录发票对金额，复杂如「下周去上海见人」——模型得翻聊天记录、日历和邮件推条件，供应商要把邮箱、日历、订票系统搭成沙箱，还得让发错人、漏附件这类失误被评分器抓到。有些任务的 rubric 能拆出四五十条甚至上百条，单价自然跟着涨。

数据外包不是一开始就这么值钱。Mechanical Turk 时代是给垃圾邮件分类、给自动驾驶图片标停车标志；接着是 RLHF，让人从模型几个回答里挑更好的；再往后 Mercor 请的是 MIT、哈佛博士和奥数奖牌得主，写解题步骤、定评分标准。疫情期间这批人有了时间和增收需求，供给侧才跟得这么快。单价从按条几毛钱，跳到带用户行为轨迹的数据一条 1000 到 3000 元、完整工作场景数据约 1 万元。

数据新贵讲的是专家网络与高单价，Scale AI 的故事另一面是劳动身份争议：官网仅约 900 名正式雇员，众包平台 Remotasks 上却有超 24 万注册工人，以独立承包商身份干活，加州 AB5、AB2257 的 ABC 测试正卡在「工人是否受公司完全控制」这一条。同一套众包供给，投资人看到的是可复制的产能，劳工律师看到的是规避正式雇员责任与税收。Mercor 重金抢专家、部分数据商低底薪高提成扩产，争议的种子已经埋下。

问数据公司「怎么证明交付的数据有效」，负责人答「不知道」；同一批数据，一个模型厂说好，另一个说不行。这不是个案：SWE-bench Verified 经专业工程师逐题筛选、每题三人独立审核，OpenAI 仍抽查 138 道题，59.4% 在测试设计或题面描述上有实质问题，2026 年 2 月宣布弃用；替代方案 SWE-bench Pro 五个月后又被 OpenAI 审计出约 30% 任务有缺陷、撤回推荐。评测标尺自己都在晃动，数据质量的下游验证几乎无处落脚。

Mercor 已官宣成立研究部门，从 OpenAI 等挖来核心研究员，自称能覆盖「评估→数据→后训练」完整闭环；中国这边的 UniPat 创始人李宽出自通义后训练，阿里除资金外还提供一年数千万元量级的算力。投资人的普遍期待是这些数据公司最终被模型厂收购——Meta 与 Scale 的故事摆在前面。看点是各家研究议程能走多远、模型厂收紧采购并拉黑供应商后订单集中到谁手里，而不是「谁会赢」这种当下无解的判断。

基准从 GLUE 到 MMLU 再到 SWE-bench，每一代都在给「污染」和「饱和」两个失效源打补丁；Chamath 指出同一模型同一批 113 道编程任务，仅换 harness 分数就从 24% 跳到 59%。真正值得追问的是：模型厂内部的质量关守得住吗，外部数据商刷榜的动机怎么被结构性消解，以及当分数与用户体感脱钩，采购决策该改看什么代理指标。这些问题没有现成答案，但每一个都指向具体的观察点。