标注工具 · frame_000128已标注 0 / 6
#1 car#4 pedestrian属性
car
遮挡 · 无
截断 · 否
依据规范 v1.3
本图进度提交审核
01 · Annotation
传统数据标注
面向感知与理解类模型，完成图像、视频、语音、文本与点云等数据的标注、清洗与结构化。
任务形式
- 分类与属性标注
- 目标检测与分割
- 关键点与轨迹
- 语音转写与切分
- 实体、关系与意图
- 清洗、去重与筛选
交付内容
- 按约定格式的标注结果
- 标注规范与版本说明
- 质检与验收记录
澜雨星河
让每一条数据，都经得起检验。
澜雨星河是一家 AI 数据服务公司，为模型研发团队与企业提供数据标注、RL / 后训练数据与 Benchmark 评测数据。
合作保障
为模型研发团队生产训练与评测数据。从理解任务、组建团队，到审核与验收，每一步都有规范、有记录、可追溯。
任务需求 · 人员匹配演示数据
领域 · 数学推理语言 · 中文 / 英文难度 · 专家级
- EE-0315数学 · 博士
- AA-1024数学 · 研究生
- AA-1186统计 · 研究生
- AA-2077物理 · 本科
- AA-3302英语 · 本科
经专标标审团队已组建 · 待培训考核
01 / 04·继续滚动查看下一项
核心服务
三条数据主线，
覆盖从训练到评测
从传统感知任务到大模型后训练与评测，同一套人员组织与质量体系，支撑不同类型的数据交付。
#1 car#4 pedestrian偏好判断 · 科普问答第 42 / 200 条
提示词 · 用一句话向初中生解释：为什么天空是蓝色的？
回答 A
因为天空反射了海洋的颜色，所以看起来是蓝色。
回答 B
阳光里的蓝光更容易被空气散射到四面八方，所以天空是蓝色。
判断A 更好相当B 更好
理由事实准确表达易懂回答完整
写下判断理由…
提交02 · Post-training
RL / 后训练数据
为大模型的监督微调与强化学习阶段提供人工撰写、对比判断与专业反馈数据。
任务形式
- SFT 指令与回答撰写
- 偏好对比与排序
- 回答批改与改写
- 推理过程审校
- 工具调用与多步任务轨迹
- 安全与红队数据
交付内容
- 训练样本与元数据
- 判断理由与依据
- 一致性与抽检统计
评测题 #207 · 数学 · 专家级评审 A
求函数 f(x) = x³ − 3x 在区间 [−2, 2] 上的最大值，并说明理由。
模型回答 · 令 f′(x) = 3x² − 3 = 0，得 x = ±1；f(−1) = 2，所以最大值为 2，在 x = −1 处取得。
- 结论正确：最大值为 22
- 正确求导并找到驻点 x = ±13
- 比较驻点与区间端点，取值完整3
- 推理过程清晰、无多余结论2
得分0 / 10评审 B：7 / 10 · 一致
03 · Evaluation
Benchmark 与评测数据
构建难以靠捷径解决的评测任务，用清楚的评分标准和专家判断度量模型的真实能力。
任务形式
- 任务与题目构建
- 参考答案与依据
- 评分标准（Rubric）设计
- 专家评测与盲评
- 难度与一致性校验
- 版本与泄漏控制
交付内容
- 评测任务集
- 参考答案与评分说明
- 评审记录与一致性报告
参与 Agents’ Last Exam（ALE）、Humanity’s Last Exam（HLE）相关项目的数据工作。
数据样例
每类数据，
都有明确的交付结构
以下为演示数据，展示三类任务的标注方式与交付格式，可以直接操作。正式合作前，我们会按你的需求制作试标样例。
拖动滑块，对比原始图像与标注结果。
演示图像由 AI 生成，不含真实个人信息
交付文件 · frame_000128.json
1// 每张图交付一条记录；字段与坐标约定写在《道路场景标注规范 v1.3》2{3"image": "frame_000128.jpg", "size": [1586, 992],4"objects": [5// 框 bbox = [左上角 x, 左上角 y, 宽, 高]，单位像素6{"id": 1, "label": "car", "bbox": [85, 506, 527, 320], "occluded": 0},7// 远处的小目标同样要标：规范要求最短边 ≥ 20 像素即需标注8{"id": 2, "label": "car", "bbox": [981, 558, 38, 32], "occluded": 0},9{"id": 3, "label": "car", "bbox": [1034, 557, 35, 31], "occluded": 0},10// 行人：框 + 11 个关键点 [x, y, 是否可见]，并记录动作11{"id": 4, "label": "pedestrian", "bbox": [1145, 475, 151, 250], "action": "crossing", "keypoints": [[1220, 492, 2], …]},12// 属性随类别而定：信号灯需记录当前灯色13{"id": 5, "label": "traffic_light", "bbox": [1401, 44, 68, 164], "state": "red"},14// 区域类目标用多边形顶点表示15{"id": 6, "label": "crosswalk", "polygon": [[612, 683], [1458, 683], [1586, 736], …]}16],17// 审核留痕：由谁标注、由谁审核、经过几轮18"qa": {"annotator": "A-17", "reviewer": "R-03", "rounds": 2, "result": "pass"}19}
6 个目标 · 4 类 · 2 轮审核通过。交付格式按项目约定，如 COCO、YOLO 或自定义 JSON；悬停任一行可在左图定位。
团队与领域
按项目组建
专业的数据团队
我们组织大量标注与专业人员，并按项目所需的领域、语言与难度单独组建团队。所有人员完成培训与考核后才进入生产，由审核与质检人员全程把关。
选择任务领域
适合任务
图像、文本、语音等通用任务
筛选与上岗
- 1规范考试
- 2试标合格后上岗
- 3持续抽检与复训
团队构成
通用标注- PM项目经理
- 标注标注员
- 审核审核员
- QA质检
人员组织方式
- 01
招募筛选
按领域、语言与学历背景定向招募。
- 02
培训考核
围绕项目规范培训，考核通过后进入试标。
- 03
试标校准
与审核结果比对，持续校准判断尺度。
- 04
分级上岗
按准确率与稳定性分级，匹配不同难度任务。
质量体系
六个环节，
保障每一批交付的质量
每个环节都有明确的参与人员、检查点和产出物。左侧是各环节产出物的样例；正式项目中，进度与质检记录按约定同步给你。
当前环节01 / 06
需求澄清
需求确认单
示例任务类型2D 目标检测 + 行人关键点
数据规模约 20,000 张道路图像
标签体系12 类，含遮挡、截断、灯色等属性
交付格式COCO JSON，每批附质检报告
质量要求抽检准确率 ≥ 98%
交付节奏每周一批，共 6 批
验收方式双方各抽检 5%，结论书面确认
- 01
需求澄清
明确任务目标、数据范围、交付格式与验收标准，确认双方对「好数据」的定义一致。
- 参与人员
- 项目经理 · 你的项目负责人
- 检查点
- 目标、范围、格式、验收标准逐项书面确认
- 产出
- 需求确认单
需求确认单示例
任务类型2D 目标检测 + 行人关键点数据规模约 20,000 张道路图像标签体系12 类，含遮挡、截断、灯色等属性交付格式COCO JSON，每批附质检报告质量要求抽检准确率 ≥ 98%交付节奏每周一批，共 6 批验收方式双方各抽检 5%，结论书面确认 - 02
规范制定
编写标注规范，为每个标签写清定义、正例与反例，整理边界案例与争议处理方式。
- 参与人员
- 项目经理 · 领域专家
- 检查点
- 每个标签都有定义、正例与反例
- 产出
- 标注规范 v1.0
标注规范 v1.0示例
- 1任务说明
- 2标签体系（12 类）
- 3框选规则
- 4属性定义
- 5边界案例（36 例）
- 6质检标准
4.2 遮挡（occluded）
可见部分超过一半时正常框选；不足一半时只框可见部分，并将 occluded 记为 1。
✓ 正例：只框可见车身✕ 反例：按想象补全 - 03
小样试标
先小批量试做，由你确认结果；按反馈修订规范，再决定是否放量。
- 参与人员
- 标注员 · 审核员 · 你
- 检查点
- 试标结果经你确认后才进入批量生产
- 产出
- 试标反馈与规范 v1.1
试标反馈与规范 v1.1示例
200
试标条数
9
发现问题
3
规范修订
框选偏差4漏标小目标3属性错误2客户反馈：远处车辆也需要标注。→ 规范 v1.1 新增 2.4「小目标」规则
- 04
校准培训
按最终规范统一培训与考核，比对标注员之间的一致性，达标后才上岗。
- 参与人员
- 全体标注与审核人员
- 检查点
- 考核成绩与两两一致率均达到约定线
- 产出
- 培训考核记录
培训考核记录示例
- A-1196 达标
- A-1494 达标
- A-1793 达标
- A-2091 达标
- A-2388 复训
- A-2695 达标
- 竖线为上岗线 90 分
两两一致率，颜色越深越一致
- 05
生产与多级审核
生产中逐级审核与抽检，问题条目退回返修，每批出具质检报告。
- 参与人员
- 标注员 · 一审 · 二审 · 质检
- 检查点
- 每批按比例抽检，不达标整批返修
- 产出
- 质检报告
质检报告示例
500
第 3 批抽检
98.6%
抽检准确率
7
退回返修
框选偏差3属性错误2漏标2各批抽检准确率
第1批 96.9%第2批 98.1%第3批 98.6% - 06
验收交付
按约定格式分批交付，附质检报告与变更记录，配合你抽检验收。
- 参与人员
- 项目经理 · 你
- 检查点
- 你抽检通过后才算完成该批交付
- 产出
- 交付包与验收记录
交付包与验收记录示例
- annotations_b03.json3,200 条标注
- images_b03.csv图像清单
- spec_v1.1.pdf标注规范
- qa_report_b03.pdf质检报告
- changelog_b03.md变更记录
客户抽检 160 条✓ 第 3 批验收通过
代表案例
代表项目
项目按保密约定匿名呈现，说明客户面对的问题、我们承担的工作与交付内容。
Benchmark · HLE 相关项目 01
高难度跨学科评测题目构建
- 问题
- 需要一批模型难以通过检索或套路解决、但人类专家可以给出确定答案的题目。
- 我们的角色
- 题目征集与初筛、专家审核、参考答案与依据核验。
- 交付内容
- 题目、参考答案、解题依据与审核记录。
结果
待补充可公开的结果
Agent 评测 · ALE 相关项目 02
长流程职业任务的评测设计
- 问题
- 评测智能体完成真实职业任务的能力，任务步骤长，结果难以用单一答案判定。
- 我们的角色
- 任务场景设计、评分标准撰写、专家评测与一致性复核。
- 交付内容
- 任务说明、评分标准、评审记录与一致性报告。
结果
待补充可公开的结果
后训练数据项目 03
多领域偏好对比与回答批改
- 问题
- 模型团队需要稳定、可解释的人类偏好信号，用于后训练阶段。
- 我们的角色
- 领域人员匹配、判断标准校准、偏好标注与理由撰写、抽检返修。
- 交付内容
- 偏好对数据、判断理由与一致性统计。
结果
待补充可公开的结果
关于我们
关于澜雨星河
澜雨星河是一家 AI 数据服务公司。我们组织多领域的标注、专家与审核人员，为模型研发团队、AI 企业和研究机构生产训练与评测数据。
我们以项目制或长期合作的方式承接需求，按双方确认的规范、周期与验收标准交付，并对数据与项目信息严格保密。
合作方式
- 01
项目制交付
按单个项目确定范围、规范、周期与验收标准。
- 02
长期合作团队
为持续迭代的数据需求保留稳定的人员与流程。
- 03
评测专项
围绕一次评测或 Benchmark 建设组织专家团队。