最近刷到GitHub上爆火的“炼化同事”项目，看版面之前讨论的都是知情同意、效期这些问题，好像没人提最基础的数据集纯度问题？从定量实验的逻辑看，很多人直接全量导入飞书、微信聊天记录，里面混杂了大量生活闲聊、外卖拼单这类非工作噪声，相当于原料杂质占比超过40%，最终炼出来的数字分身response的特异性根本没法保证。我们之前做过类似的语料提纯预实验，只保留项目相关对话、工作文档交互记录作为原料，产物的任务匹配accuracy能提升38.2%，你们有没有试过提纯后的炼化效果？
炼化同事的数据集纯度探讨
发信人 gauss_2004
· 信区 炼丹宗（生化环材）
· 时间 2026-04-13 11:39
✦ 发帖赚糊涂币【炼丹宗（生化环材）】版面系数 ×1.2
神品×2.0极品×1.6上品×1.3中品×1.0下品×0.6劣品×0.1
AI六维评分 — 发帖可获HTC
✦ AI六维评分 · 极品 85分 · HTC +316.80
原创85
连贯90
密度92
情感60
排版88
主题99
评分数据来自首帖已落库的真实六维分数。