从完整对谈到可追溯判断：我们为什么把 CQA 升级到 V2
公元前 213 年，中国秦始皇下令焚书。两千多年后，亲希特勒的大学生组织在德国各地发动了一场持续数周的焚书运动。希特勒大概不会想到，在他纵容烧书九十多年后，人类还会再次有组织地毁掉数百万册实体书，其中不乏旧书和绝版书。
2026 年 7 月底，伊隆·马斯克转发了一条有关珍贵书籍的帖子。原发帖者 @Hedgie 控诉了 AI 公司的一种掠夺性工程行为：为了更快获得数据，它们会把成批珍本的书脊切掉，再逐页扫描，最后销毁原版书籍。
马斯克承诺，SpaceXAI 会采用另一种做法：不切掉书脊，用更费力的方式扫描，然后保存珍本。
内容都在，结构没了
书脊的作用，是让一堆散页连接成一整本书。切掉它，每一页都还在，页与页之间的装订和结构关系却没有了。
有趣的是，书籍被用作语料时，发生的是类似的事情。
文字成品全部输入作为训练数据，但创作的结构关系没有进入数据——作者为什么选择这个结构，在哪个位置做出了关键取舍，初稿和定稿之间经历了什么判断，这些决策过程从来不在成品的文字里。
语料保存了创作的结果，没有继承创作的结构。
我们的 CQA（Creative Quality Alignment）数据集核心是一场又一场复杂的专家讨论。追问、反例、分歧、修正和收束都真实发生过，并且已经在 V1 中被保留在 <think> 里。
但是，这些内容仍然只是一个完整的长字符串。哪次追问改变了方向，哪个反例修正了原判断，都没有以清晰的结构化信号进入训练过程。模型只能从连续文本中自行推断，无法稳定辨认这些判断关系。
最后的结论被保存了，产生结论的过程却模糊了。
CQA 的问题和最终答案，都是后来从这些专家讨论中整理出来的。
因此，在 V1 中，我们没有只留下一个标准的 question-answer pair，而是把完整的专家对谈放进 <think> 标签里。这个设计基于一个朴素的需求：无论怎样加工数据，都不能让后来整理出的答案取代真正发生过的讨论。
真实专家对谈进入数据，也让创作判断的形成过程在互动中得到完整呈现。
V1 解决了“不要把它毁掉”。V2 不是推翻 V1，而是在“保留原始对谈”的前提下，让其中发生过的判断、修正和收束变得可辨认、可回指、可检查。
第一项改变：把源对谈独立出来
V2 使用独立的 source_dialogue 字段保存专家对谈。
对谈按照真实发言轮次拆成 turns，每个 turn 都有稳定编号。这里保存的是公开清洗后的专家原话，不是 reasoning event 的摘要，也不是最终答案。
这一步看起来只是把长文本拆开，实际作用是确立源材料层。后面的任何推理事件和最终回答，都不能代替 source_dialogue。如果整理者对某段讨论的概括有争议，审阅者仍然可以回到专家原话检查。
稳定的 turn 编号还使对谈中的具体位置可以被引用。数据不再只有“完整读一遍”这一种使用方式，而是能够明确指出某项判断来自哪里。
第二项改变：辨认对谈中发生的推理事件
V2 新增了 reasoning_events。
Reasoning event 不是把几段原话缩写得更短。它要说明一组发言完成了什么认知工作，例如：
- 建立共同语境；
- 比较两种因果解释；
- 用反例修正原判断；
- 识别创作约束；
- 构造解决机制；
- 从具体案例中抽象原则。
每个 event 都有自己的编号、类型和摘要，同时必须指回一个或多个原始 turn。这样，使用者既能看到整理后的推理结构，也能检查这项整理是否真的得到源对谈支持。
这层关系很重要。假如只有 event 摘要，专家原话仍然可能被整理者的解释取代；假如只有完整对谈，推理结构又仍然隐含在连续文本中。V2 把两者同时保留，并用回指关系连接起来。
这里仍然需要注意边界：中文 reasoning events 后来经过了专家修订，但它们仍然是从真实对谈中派生出的结构化注释，不是专家在对话当时逐步填写的过程标签，也不能被描述成完整、私密的内在思维。
第三项改变：把最终回答放回它自己的位置
final_answer 在 V2 中成为独立字段。
它仍然根据完整对谈整理，但不再与源对谈和推理事件混在同一个字符串里。这样可以清楚区分：
- 什么是专家真正说过的话；
- 什么是对讨论过程的结构化整理；
- 什么是最后面向初始问题而形成的回答。
这个区分也让审阅和修订更具体：问题出现在哪一层，就可以先定位并复核那一层，再检查与它相连的其他内容。
分层以后：从一条母记录导出不同任务数据格式
源对谈、推理事件和最终回答分开以后，同一份中文母数据目前可以按不同任务导出三种数据格式。这里的“任务数据格式”，指从母记录中选取不同字段，重新组成适合特定训练目标的输入和输出：
prompt → final_answer；prompt → reasoning-event trace → final_answer；source dialogue → final_answer。
这三种格式不是三份互相独立的数据。它们来自同一条母记录，只是根据不同任务读取不同层。
这样做的好处不是文件数量增加，而是源材料不必为了某一种训练格式被永久改写。以后研究目标发生变化时，可以回到同一份母数据，重新决定使用哪些层，而不必重新发明一套专家对谈。
中文和英文在 V2 中分别保存为独立记录，通过相同的 sample_id、turn_id 和 event_id 对应。这样既能保持两种语言的对应关系，也能明确中文是源记录、英文仍然只是 AI 辅助阅读译文，不会因为字段已经对齐，就被冒充为独立审阅完成的英文训练数据。
数据结构不能反过来规定专家怎样思考
V2 没有要求每条样本拥有同样数量、同样类型的 reasoning events。
真实创作讨论本来就不整齐。有的从失败案例开始，有的比较两个故事，有的先识别约束，再慢慢构造机制。如果为了 Schema 好看，强行把它们修剪成相同的步骤，数据会更整齐，专家判断反而会失真。
因此，我们不是先规定一条“正确思维链”，再让对谈适应它。我们先保存真实对谈，再辨认其中已经发生的认知工作。
同样，没有真实候选对和专家步骤级标签，V2 就不生成 preference、judge 或 process-supervision 数据。结构化的目标不是补造一套整齐的思考过程，而是忠实表达源材料中真正存在的判断关系。
这也是专业创作者必须参与数据结构设计的原因。工程师可以设计字段、管线和校验，但哪些判断确实发生过，哪次追问真正改变了结论，某段摘要是否压平了原意，仍然需要专家参与确认。
V2 带来了什么，又尚未证明什么
V2 的直接改进可以说得很具体：
- 更容易追溯。 推理事件和最终回答可以回到源对谈；
- 更容易检查。 专家原话、派生注释和整理结果不再混成一层；
- 更容易修订。 某一层出现问题时，可以针对该层审阅；
- 更容易派生。 同一份母数据可以导出不同任务数据格式。
但“结构更清楚”不等于“训练效果已经得到证明”。
V2 没有证明模型使用这套结构训练以后一定写得更好，也没有证明哪一种任务数据格式最有效。这些问题仍然需要更大规模的数据、对照实验和专业评测。
专家来了，然后呢
2025 年 9 月，马斯克旗下的 xAI 宣布要把 specialist AI tutor 团队扩大到原来的十倍。到 2026 年初，xAI 进一步开始招聘 Writing Specialists——小说、编剧、游戏写作、新闻、诗歌，职位说明写得很明确：不是替公司写稿，而是评价和修改 AI 生成文本，为 Grok 提供经过筛选的数据。
这条招聘路线后来没有一路扩张。2026 年 6 月，彭博法律报道称，xAI 已经暂停招聘这类专业 AI tutors。报道援引知情人士称，暂停至少部分缘于人力资源部门来不及处理大量候选人，并且可能只是临时措施。报道所称的是招聘暂停，并不等于整个项目已经停止；目前也没有公开信息说明这批 Writing Specialists 实际生产了什么数据，或者相关数据是否已经进入训练。
即便如此，这段招聘经历至少释放出一个信号：成品文本和通用标注可能不够，某些模型能力需要来自真正领域专家的判断。
请来专家只解决了“谁来判断”。更难的问题是，这些判断以什么形态进入数据。是变成一个打分、一条偏好标签、一句定论，还是连同它的追问、反例、分歧和修正一起保存下来——保存成可以回去检查的东西。
我们把 CQA 从 V1 升级到 V2，试图回答的就是后面这个问题。
不要切掉书脊。也不要切掉思考的脊柱。
你可以在 Hugging Face 上查看 CQA（Creative Quality Alignment）公开预览。V1 仍然保存在仓库历史中，当前页面展示的是使用相同四条样本重构后的 V2。