很多做机器人开发的朋友都有过这种经历模型架构换了一版又一版算力也堆上去了仿真里跑得挺好一到真实环境就“翻车”。最后排查来排查去发现瓶颈往往不在模型而在训练数据。机器人该从什么数据中学习这个问题听起来很基础却是当前具身智能、机器人操作、导航决策等领域最要命的问题之一。北大等机构联合发布的 Data Pyramid正是冲着这个问题去的。它不是又一个大模型也不是一个新的机器人硬件方案而是一套数据分层治理的思路把杂乱无章的机器人数据按照价值密度和学习难度组织成一个五层金字塔让模型知道该优先学什么、用什么数据学、哪些数据甚至可以放弃。这篇文章的核心判断是机器人学习的上限由数据资产的结构决定而不只是数据总量。读完这篇文章你会理解 Data Pyramid 的核心理念也能拿到一套可以在自己项目中落地的数据分层、数据管理和数据配比的方法。这篇文章会从五个层面展开先讲为什么“数据越多越好”在机器人领域不成立再拆解五层数据金字塔的逻辑然后给出一份可操作的数据工程清单包括数据目录、元数据脚本、采样代码和训练配置示例最后聊一聊常见问题和工程建议。无论你是做机器人导航、机械臂操作还是搞仿真到真实迁移这套数据分层思路都能用得上。1. 这篇文章真正要解决的问题过去几年机器人学习的重心明显从“模型结构”转向了“数据”。大语言模型已经证明模型规模加上海量语料可以涌现出惊人能力。于是很多机器人团队也下意识地认为只要采集足够多的数据模型自然就能学会操作。但真实情况是机器人的数据采集成本极高一条有效的操作轨迹可能需要在真实设备上反复调试而且不同本体、不同传感器配置、不同场景之间数据很难直接迁移。这篇文章要解决的问题就是“机器人到底应该从什么数据中学习”。更准确地说我们要解决的是三个具体问题第一数据质量不均匀。机器人采集到的原始数据里有大量无效片段机械臂没抓到物体、机器人导航撞到障碍物、传感器丢帧这些噪声如果直接进入训练集会严重拖慢收敛速度。第二数据价值密度差异巨大。同样一段轨迹在标准场景下采到的和在高难度场景下采到的对模型能力提升的贡献完全不同。第三数据配比缺乏依据。很多人训练机器人策略时只是把数据倒进 dataloader但一份好的数据集在金字塔中处于哪一层、应该采样多少、需不需要过采样这些决策直接影响最终效果。Data Pyramid 给出的答案是把数据按等级组织让不同层级承担不同学习任务。它解决的不是单个算法问题而是机器人数据资产的全局治理问题。如果你正在做机器人数据采集、模型训练或者 RoboAgent 类项目这篇文章会帮你建立一个从数据到训练的完整框架。2. 为什么“数据越多越好”在机器人领域不成立自然语言处理和机器人学习有一个本质差别语言数据的边界相对清晰一句话的语义不会因为说这句话的人不同而完全无法使用跨领域迁移相对容易。但机器人数据是一种高度依赖本体和物理环境的数据它带有严重的分布偏移。举一个具体的场景。一台机械臂在 A 实验室里采到的抓取轨迹拿到 B 实验室的同型号机械臂上哪怕硬件完全一样只要相机安装角度差了几厘米或者光照条件变了策略的泛化效果就会明显下降。更麻烦的是机器人采数据的过程中不可避免会出现失败轨迹、碰撞、抖动和传感器异常。如果把这些数据和成功轨迹无差别地混合在一起模型很容易学到错误的动作模式。这也是为什么“把数据堆得越多越好”在机器人领域不成立。数据量上去之后高噪声低价值的样本会淹没那些真正有信息量的轨迹。模型参数量有限如果大量容量被用来拟合无关紧要的传感器噪声关键技能反而学不好。资源受限机器人尤其明显这类设备计算能力有限模型不能做得太大数据也不能无限堆叠所以数据筛选和分层就变得至关重要。Data Pyramid 想回答的核心问题在这里显得更加清晰如何在有限的数据预算下让机器人学到最有价值的能力。它的答案是建立一种金字塔结构底层是海量但价值密度较低的原始数据越往上数据越精炼、语义化程度越高、对模型能力的提升越直接。模型可以分阶段从不同层级中学习而不是把数据一股脑混在一起。这个思路和传统机器学习里“难例挖掘”有相似之处但它更进一步把数据资产管理本身变成了一个系统性工程。3. 五层数据金字塔到底在讲什么从公开信息看Data Pyramid 是由北大等机构联合发布的一套数据分层系统标题里直接点明了“五层数据金字塔”。虽然资料没有逐一公开每一层的完整实现细节但结合机器人学习领域的主流实践我们可以把五层结构理解为一种从原始数据到高价值知识的分级体系。下面给出一种适合落地的分层理解它保留了金字塔的核心思想同时每一步都可以在工程上实现。3.1 第一层原始感知数据金字塔的最底层是原始感知数据。这一层包含机器人所有传感器直接采到的信息相机图像、深度图、点云、关节角、力矩、位姿、里程计数据等。这一层的数据量最大但价值密度最低因为原始数据里混着大量无效信息和噪声。没有分层意识的项目通常会把这一层的数据直接丢进训练集。这样做的问题很明显原始数据分布极其不稳定一会儿晴天一会儿阴天一会儿桌面干净一会儿堆满杂物模型很容易被这些无关变化带偏。所以在 Data Pyramid 的思路里这一层只承担“原材料”角色不应该直接进入训练管道。3.2 第二层筛选清洗后的有效片段第二层是从原始数据中切分和清洗出来的有效片段。比如原始视频流长达 30 分钟但真正包含有效操作动作的可能只有 40 秒原始导航数据里有一段里程计漂移需要剔除传感器丢帧导致图像和关节角对不上需要插值或裁剪。这一层的关键动作是“对齐”和“清洗”。很多机器人项目都栽在这里图像流和动作指令流时间戳对不齐模型输入输出根本不在同一个时间坐标系上。Data Pyramid 把这一层单独拿出来就是为了让模型在训练前保证数据在时间、空间和运动状态上的一致性。这一层的数据已经可以直接用于训练但语义化程度还不够高。3.3 第三层语义化的任务数据第三层开始数据不再只是一条条轨迹而是带有语义标签的任务数据。比如“抓取红色杯子”“从 A 点导航到 B 点”“避开障碍物后抓取螺丝刀”每个片段都对应一个明确的任务描述。这一层的数据可以直接用于模仿学习或者强化学习的任务构建。语义标签的价值在于它让模型可以把感知输入和任务目标关联起来而不是只学习简单的感知-动作映射。Data Pyramid 结构里这一层是训练数据的重要组成部分因为它已经有明确的“任务边界”可以提高模型对指令的理解能力。需要提醒的是语义化标注是成本最高的环节之一。一个熟练的标注人员标注一条机械臂操作轨迹可能要比标注一张图片多花几十倍的时间。所以第三层数据的量通常小于第二层但每一条的价值密度远高于底层。3.4 第四层可复用的技能轨迹第四层是真正让模型能力发生质变的部分可复用的技能轨迹。它不再是单一任务的记录而是从大量任务中抽象出来的技能模式。比如“拿起任意放置在桌面的小物体”“将物体从容器中取出并放置到指定区域”这些技能轨迹跨场景、跨物体具备更强的泛化能力。这一层的数据通常通过多种方式获得一是大量成功轨迹的共性提炼二是人为设计的专家示教三是仿真环境中大规模生成的高质量数据。值得重视的是仿真平台在第四层建设中非常关键。现实世界采一条高难度技能轨迹可能需要几天但在仿真环境里可以在一个小时内批量生成再通过域随机化增强真实性。Data Pyramid 把这一层和前面的任务数据分开本质上是在区分“学会了某个任务”和“掌握了某种技能”。模型如果只见过单一任务的轨迹就很难应对任务的微小变化而一旦有了跨任务的技能轨迹面对新场景时就可以更快适应。3.5 第五层跨场景的领域知识与策略先验金字塔塔尖是跨场景的领域知识与策略先验也可以理解为元数据层或者“关于如何学习的数据”。这一层不直接参与感知到动作的映射而是告诉模型在什么情况下应该用什么样的策略倾向。比如“当夹爪第一次抓取失败时应该小幅调整夹爪角度而不是重新规划整个路径”这就是一种策略先验。对资源受限机器人来说第五层的价值尤为突出。设备算力有限不可能在每次动作前都做完整的重新规划如果可以提前把高价值策略先验做成一个小型先验库设备在线上就只需做轻量查询和微调。还可以把第五层数据蒸馏成更小规模的模型或控制器部署在边缘设备上。Data Pyramid 的五层结构本质上是在回答机器人学习中的四个递进问题原始数据如何保存、有效片段如何清洗、任务数据如何组织、技能知识如何沉淀。它把数据工作从简单的“采集-训练”二元模式升级成了一套有层次的资产管理系统。4. Data Pyramid 对机器人训练流程的改变理解五层金字塔之后再看它对训练流程的影响会非常清楚。传统机器人训练流程通常是“数据采集 - 清洗 - 训练 - 评测”数据之间没有层级关系。Data Pyramid 引入之后流程变成了“分层治理 - 分层配比 - 分阶段训练 - 分层评测”。最关键的变化是分阶段训练。底层原始数据不直接进入训练集而是先通过自动化脚本清洗成第二层然后用第三层语义化任务数据做基础的行为克隆让模型先学会完成常见任务再用第四层技能轨迹做强化或微调提升模型的泛化和抗干扰能力最后用第五层的策略先验做反馈修正让模型在失败时知道如何调整。这个流程带来的直接好处是可以明显减少低质量数据对训练的干扰。模型先在干净的第二层、第三层数据上收敛到合理策略再逐步引入高难度但更高价值的技能数据最后通过策略先验优化边界行为。相比把所有数据混在一起训练这种方式的收敛行为更容易预测。训练配置也需要跟着改变。数据不再是一个平铺的数据集而是多个分层数据源。下面是一个简化后的训练配置示例展示了不同层级数据如何参与配比# 文件路径configs/data_pyramid_training.yaml data: layer1_raw: enabled: false # 原始数据不直接参与训练 storage_path: /data/layer1_raw layer2_clean: enabled: true storage_path: /data/layer2_clean sample_weight: 0.3 # 清洗后数据占总体采样权重的 30% augmentations: - random_crop - color_jitter layer3_task: enabled: true storage_path: /data/layer3_task sample_weight: 0.4 # 任务数据占 40% require_task_embedding: true layer4_skill: enabled: true storage_path: /data/layer4_skill sample_weight: 0.25 # 技能轨迹占 25% require_eval: true layer5_prior: enabled: false # 策略先验通过辅助损失引入 loss_weight: 0.05从配置里可以看出分层之后每个数据层都可以独立控制开关、采样权重和增强策略。某一层数据质量下降时只需要调整对应层的配置而不需要推翻整个数据集。这在实际工程中的价值非常大因为机器人数据是持续增长的数据资产的版本管理能力和动态调整能力直接影响模型迭代速度。5. 数据金字塔落地从采集到训练的一份最小工程清单理解理念之后更关键的是落地。下面这份工程清单把五层金字塔映射到具体的数据生命周期里。它不绑定特定框架无论是 PyTorch、TensorFlow 还是自己的训练脚本都能接入这套流程。先看目录结构。建议在数据存储端就按金字塔分层不要把所有数据堆在一个文件夹里这是最基础也是最容易忽略的一步/path/to/robot-data/ ├── layer1_raw/ │ ├── 2025-06-01_session_01/ │ │ ├── rgb.mp4 │ │ ├── depth.npy │ │ ├── joint_states.csv │ │ └── metadata.json │ └── 2025-06-02_session_02/ ├── layer2_clean/ │ ├── 2025-06-01_session_01/ │ │ ├── episode_0001/ │ │ │ ├── rgb/ │ │ │ ├── depth/ │ │ │ ├── actions.npy │ │ │ └── info.json │ │ └── episode_0002/ ├── layer3_task/ │ ├── task_grasp_cup/ │ │ └── episodes.jsonl │ ├── task_navigate_obstacle/ ├── layer4_skill/ │ ├── skill_pick_and_place/ │ └── skill_avoid_obstacle/ └── layer5_prior/ ├── policy_priors/ └── domain_knowledge.yaml这个目录结构本身就是五层金字塔的物理化呈现。当数据团队拿到一批新采集数据时第一步是放进 layer1_raw然后通过清洗脚本筛选出有效片段进入 layer2_clean再通过标注工具补充任务语义后进入 layer3_task。数据积累到一定程度后从任务数据中提炼出共性的技能轨迹进入 layer4_skill最后把经验规则和策略先验写入 layer5_prior。同步理解一下这份工程清单背后的流程原始数据采集真实设备或仿真平台采集原始传感器数据和动作指令流。时间戳对齐与清洗检查图像、深度、关节角、动作指令的时间戳是否对齐剔除丢帧和无效片段。语义标注为有效片段添加任务描述定义任务名称、初始状态、成功条件。层级归位根据片段的价值密度和通用性决定进入第几层。生成数据清单为每个层级生成统一的 manifest 文件供训练脚本读取。分层配比在训练配置中设定各层采样权重。训练与评测分阶段训练并对每个层级分别评测。数据回流测试失败的案例重新标注、清洗后回流到对应层级形成数据闭环。这里特别想强调第 8 步。很多团队的训练数据集是静态的采完就放到那里之后再也不更新。但 Data Pyramid 的思路要求数据持续回流模型测试时失败的场景恰恰是最有价值的数据来源。把这些失败数据按层级加入金字塔下一次训练才会针对性地解决暴露出的问题。这也是这套系统能持续提升能力的关键。6. 用 Python 搭建一个轻量数据分层管理工具概念讲再多不如代码实在。下面用三个 Python 脚本演示如何搭建一个轻量数据分层管理工具覆盖“生成 manifest”“按层采样”“输出数据质量报告”三个环节。第一个脚本用于扫描目录结构为每一层生成 manifest 文件。它是整个数据管道的入口# 文件路径scripts/build_manifest.py import json from pathlib import Path ROOT Path(/path/to/robot-data) def scan_episodes(layer_dir: Path): episodes [] if not layer_dir.exists(): return episodes for exp_dir in layer_dir.iterdir(): if not exp_dir.is_dir(): continue info_file exp_dir / info.json if info_file.exists(): info json.loads(info_file.read_text()) episodes.append({ id: exp_dir.name, path: str(exp_dir), task: info.get(task, unknown), success: info.get(success, False), duration_frames: info.get(duration_frames, 0), source: info.get(source, real), }) return episodes def build_manifest(): manifest {} for layer_name in [layer1_raw, layer2_clean, layer3_task, layer4_skill]: layer_dir ROOT / layer_name manifest[layer_name] scan_episodes(layer_dir) print(f{layer_name}: {len(manifest[layer_name])} episodes) (ROOT / manifest.json).write_text( json.dumps(manifest, indent2, ensure_asciiFalse) ) if __name__ __main__: build_manifest()这段代码做的事情很简单遍历每一层目录读取每个 episode 的 info.json汇总成 manifest.json。执行之后会在数据根目录生成一个结构化清单。它的价值在于后续的训练脚本、采样脚本、质量报告脚本都只需要读取 manifest.json不需要直接扫描庞大的原始文件目录。第二个脚本实现按金字塔层级采样。不同层级的数据量差距可能非常大比如 layer2_clean 有 10 万条片段layer4_skill 只有 3000 条。如果完全按数量采样低层级数据会严重淹没高层级数据。解决方法是按权重采样并允许对价值密度高的数据做重复采样# 文件路径scripts/sample_by_pyramid.py import json import random from pathlib import Path MANIFEST_PATH Path(/path/to/robot-data/manifest.json) # 各层采样权重实际项目中根据训练效果调整 LAYER_WEIGHTS { layer1_raw: 0.0, layer2_clean: 0.3, layer3_task: 0.4, layer4_skill: 0.25, layer5_prior: 0.05, } def sample_episodes(batch_size: int 128): manifest json.loads(MANIFEST_PATH.read_text()) all_pool [] weights [] for layer, weight in LAYER_WEIGHTS.items(): episodes manifest.get(layer, []) if weight 0 or not episodes: continue # 在层内筛选有效样本只保留成功且帧数足够的 episode valid [e for e in episodes if e[success] and e[duration_frames] 30] if not valid: print(f[warn] {layer} has no valid episode) continue all_pool.extend(valid) weights.extend([weight] * len(valid)) if not all_pool: raise RuntimeError(empty pool after filtering) # 按层级权重做加权采样 sampled random.choices(all_pool, weightsweights, kbatch_size) return sampled if __name__ __main__: episodes sample_episodes(batch_size64) print(sampled episodes:) for ep in episodes[:10]: print(f {ep[id]} | layer_path{ep[path]} | task{ep[task]})这段代码是“数据配比”的核心实现。如果模型在难例上表现不好可以调高 layer4_skill 的权重如果基础动作还不够扎实可以保持 layer2_clean 和 layer3_task 的权重。每次训练前调整权重比重新采集数据要快得多。第三个脚本输出数据质量报告检查各层的数据量、成功率、平均帧数等指标。这是判断数据资产健康状况最直接的方式# 文件路径scripts/report_quality.py import json from pathlib import Path MANIFEST_PATH Path(/path/to/robot-data/manifest.json) def generate_report(): manifest json.loads(MANIFEST_PATH.read_text()) print( Robot Data Pyramid Report ) for layer, episodes in manifest.items(): total len(episodes) if total 0: print(f{layer}: no data) continue success_count sum(1 for e in episodes if e[success]) avg_frames sum(e[duration_frames] for e in episodes) / total real_count sum(1 for e in episodes if e[source] real) sim_count total - real_count print(f{layer}:) print(f total_episodes {total}) print(f success_rate {success_count / total:.2%}) print(f avg_frames {avg_frames:.1f}) print(f real/sim {real_count} / {sim_count}) if __name__ __main__: generate_report()这份报告可以当作数据资产的“体检报告”。如果发现 layer3_task 的成功率从 80% 掉到 60%说明最近标注的数据质量可能有问题如果 layer2_clean 和 layer4_skill 的数据量差距超过 50 倍就要考虑是不是技能数据太稀疏模型很难学到泛化技能。7. 运行与验证怎样判断分层是否有效脚本写完之后需要验证整套流程是否真的有效。先运行构建 manifest 的命令看输出是否正常cd /path/to/robot-data python scripts/build_manifest.py预期输出类似layer1_raw: 286 episodes layer2_clean: 1420 episodes layer3_task: 863 episodes layer4_skill: 124 episodes layer5_prior: 0 episodes如果 layer1_raw 数量很多而 layer2_clean 明显较少说明清洗阶段过滤掉了大量低质量数据这是正常的。如果 layer3_task 相比 layer2_clean 少得异常比如只有十分之一不到就要检查清洗脚本是否把有效片段误删了或者标注流程漏标了很多 episode。接着运行采样脚本python scripts/sample_by_pyramid.py --batch_size 32预期输出是 32 条采样后的 episode 信息。这里要重点观察采样结果中 layer2_clean、layer3_task、layer4_skill 的比例是否符合配置中的权重。如果 layer4_skill 权重是 0.25采样结果里却一个都没有一定是 manifest 中该层数据量太少或者其他层的数据把比例稀释了。最后运行质量报告python scripts/report_quality.py判断分层是否成功不只看数据量更重要的是看模型在验证集上的表现。如果你是在做机械臂抓取可以分别统计模型在 layer3_task 和 layer4_skill 数据上的成功率高估了多少如果分层做得好模型在 layer4_skill 上的泛化指标应该稳步上升而在 layer2_clean 这种基础数据上不会出现明显退化。如果发现模型效果没有提升先不要急着调模型结构按这个顺序排查先看 manifest 是否更新到最新再看各层数据配比是否合理然后看清洗逻辑是否误删了高价值数据最后看标注的语义标签是否一致。很多时候问题并不是出在模型而是出在数据清单和数据质量上。8. 常见问题与排查思路下面把机器人数据分层实践中常见的问题整理成一个表格方便定位和排查问题现象可能原因排查方式解决方案数据量很大但训练效果不涨低价值噪声样本过多淹没了高价值轨迹用 report_quality.py 查看各层成功率和平均帧数提高 layer4_skill 采样权重过滤 layer2 中低质量片段分层后模型在基础任务上表现退化底层基础数据采样权重过低检查训练配置中 layer2_clean 的 sample_weight适当增加底层数据权重或做周期性回放不同批次的数据无法对齐训练时间戳对齐逻辑有问题图像和动作流错位抽取一个 episode 可视化图像与关节角变化统一时间戳基准对齐后再写入 layer2_clean标注语义不一致同一个任务叫法不同标签体系没有统一规范查看 layer3_task 中 task 字段的取值分布建立任务标签词典标注前做规范培训仿真数据和真实数据混合后效果不佳仿真数据分布与真实环境差异过大查看质量报告中 real/sim 比例对仿真数据做域随机化或按比例逐步混合技能轨迹太少泛化能力不足layer4_skill 数据稀疏统计各层 episode 数量比较层间差距用仿真平台批量生成技能轨迹再通过清洗提炼共性这里专门说一下“分层后基础任务退化”的问题。很多团队在引入数据分层后会发现模型在难例上的表现变好了但简单任务反而不稳定。这通常是因为采样权重过于偏向高层级数据导致训练过程中模型很少见到基础数据分布。解决办法不是取消分层而是把基础数据以一种较低但稳定存在的比例放在采样池里。可以在训练配置中加一个“基础数据保底比例”确保每个 batch 里至少有 10% 到 20% 来自较低层级。另一个容易被忽略的问题是“第二层清洗标准漂移”。今天是清理丢帧明天是剔除碰撞后天是过滤传感器震动不同人写的清洗规则不统一会导致数据分布变化。建议把清洗规则沉淀成可评审的脚本或配置而不是靠人肉执行。清洗逻辑也应该纳入版本管理每次修改清洗规则之后要重新生成 manifest并在数据报告中记录清洗策略的变化。9. 机器人数据实践的最佳工程建议通了流程、踩过坑之后下面几条工程建议是更长期的实践经验建议在项目初期就纳入规划。第一元数据 schema 先行。很多机器人项目一开始不重视元数据采集数据时只保存了图像和动作等需要分层治理时才发现缺少任务标签、成功标志、本体型号、传感器配置这些关键信息。建议在第一天就定义一个最小 schema至少包含 episode id、时间戳、任务名、成功标志、数据来源、对应本体型号、传感器名单、创建时间。后续所有数据都按这个 schema 记录Data Pyramid 分层才有可靠依据。第二数据也要做版本管理。代码有 Git模型有模型仓库但很多团队的数据集没有版本控制。建议每次训练使用的数据清单都保存一个 manifest 副本标注数据集版本号和构建时间。这样模型回滚时才能准确知道之前是在哪份数据上训练出来的。等到数据回流后也可以清晰对比新旧版本的数据差异。第三先做小规模闭环再扩大数据规模。不要一上来就采上万条数据。先用几十条高质量轨迹把采集-清洗-标注-分层-训练-评测这条链路跑通确认每个环节的数据都符合预期后再扩大数据量。这样可以避免采了一堆数据最后发现时间戳对不齐、标注格式不统一、训练脚本读不了返工成本极高。第四谨慎对待仿真数据。仿真平台是扩充数据规模的重要手段但仿真数据不能无脑混入真实数据。建议在层内记录数据来源逐步增加仿真数据的比例并观察模型在真实环境评测集上的指标变化。如果仿真数据引入后真实环境效果下降需要优先检查是否存在仿真环境和真实环境的分布差异再决定是否调整域随机化参数。第五数据安全与合规不要忽略。机器人数据可能涉及物理环境信息、人员动作、操作流程等敏感内容。对采集数据的使用范围、存储位置、访问权限要在项目一开始就有明确边界。涉及大规模数据采集和模型训练时建议遵循最小权限原则只有需要访问数据的人才能访问对应层级的副本数据变更操作在测试环境验证后再执行重要数据定期备份。10. 总结与后续学习方向Data Pyramid 看起来是一个五层数据金字塔的概念但它真正带来的是一种工作方式的转变机器人团队不再把数据当作一次性的“燃料”而是当作可以持续经营、分层管理、动态调整的核心资产。本文帮你拆解了五层结构的基本逻辑即从原始感知数据到清洗片段再到任务数据、技能轨迹和策略先验每一层都有不同的采集策略、管理方式和训练用途同时提供了从目录设计到 manifest 生成、从分层采样到数据质量报告的一套最小可落地工具你可以直接复制到自己的机器人项目里。下一步建议从两个方向继续深入。第一结合自己的项目搭建一个最小分层工具链先跑通数据闭环再逐步增加数据量和层级。第二深入理解数据回流和仿真到真实迁移的方法这是机器人数据领域目前最值得投入的方向之一。记住一个判断如果某一天你的模型训练效果停滞了优先审查数据金字塔中间层的数据质量和配比而不是急着换更大的模型。数据分层这件事越早做后面的迭代就越省力。