Annotation（标注）在人工智能领域指为数据或模型输出添加结构化标签、注释或修正信号的过程，是模型训练、评测与对齐的基础环节。随着大模型对齐数据、幻觉检测和生物信息等领域对高质量标注的需求上升，如何降低人工标注成本、让模型参与甚至自动化标注，正成为近期讨论的焦点。
数据标注的近期进展
当前焦点与观察点
当前围绕标注的讨论集中在两条线上。一是效率：onPanda 等工作尝试用 token 级修正替代逐条人工偏好标注，把标注成本压到更低的粒度；二是质量与可靠性：Apple 的翻译质量标注研究表明，即使是大模型在细粒度质量判断上也不稳定，人工审核仍不可省略。此外，工具链层面也在跟进——LangSmith Custom Apps 正式 GA 后支持用提示词生成智能体数据界面，客观上降低了标注与数据审查界面的搭建门槛。可以观察的点是：模型参与标注（model-in-the-loop）的可靠性边界，以及生物、翻译等专业领域标注任务的自动化能走多远。