在机器学习项目落地时，标注数据常常成为预算黑洞。主动学习是一种让模型自己挑出最难判断的样本给人去标的方法，预标注则是拿训练好的轻量模型先给数据打初稿、人工只做修正。把这两条路线串起来，能用更少的人力撬动同等质量的训练集。下面我们先看一张流程示意图，帮助建立整体认知。
主动学习的核心机制与采样策略
主动学习的基本假设是：并非所有样本对模型提升都有同等贡献，那些位于决策边界附近、模型预测置信度低的样本，才最值得耗费人工。典型流程是先以少量已标数据训练基线模型，然后用该模型对海量未标池推理，按某种不确定性指标排序，取出批次送给标注员，标完合并进训练集再迭代。这样循环几轮，模型在关键区域得到强化，整体所需标注量远低于随机采样。
不确定性采样常见有三种做法。其一是最小置信度，即取模型输出概率最大值最小的样本；其二是边缘采样，看排第一和第二的类别概率之差，差越小越该标；其三是熵最大化，计算预测分布的香农熵。实际中熵方法更平滑，但计算稍重。下面是一段用Python计算熵并筛选Top-K的示例：
import numpy as np
def entropy(probs):
# probs为模型输出的归一化概率向量
return -np.sum(probs * np.log(probs + 1e-9))
def select_by_entropy(unlabeled_probs, k):
scores = [entropy(p) for p in unlabeled_probs]
idx = np.argsort(scores)[-k:]
return idx, [scores[i] for i in idx]
# 假设有1000条未标数据，每条输出3类概率
unlabeled_probs = np.random.dirichlet(np.ones(3), size=1000)
top_idx, top_scores = select_by_entropy(unlabeled_probs, 100)
print('选出的样本索引:', top_idx[:5])
除了不确定性，也有多样性约束，比如用聚类保证选出的样本覆盖不同子群，避免全挑同一类难例。工程上常把不确定性得分和代表度打分加权，再去做批量选择。需要注意，主动学习对基线模型质量敏感，如果初始模型太差，早期选出的样本可能毫无价值，因此冷启动阶段建议先随机标几百条。
预标注系统的搭建与人工纠错闭环
预标注的思路是利用一个已具备基础能力的模型，对新增数据自动产出标签草稿。人工界面里默认带上这些草稿，标注员只需确认或改几个框、几句话，效率比白纸起步高数倍。在文本分类场景，可用上一代模型批量打标；在目标检测里，可用YOLO类模型先出框。关键是把模型输出和标注工具打通，让置信度高于阈值的直接锁定、低于阈值的标红待查。
搭建时建议把预标注服务做成独立API，标注平台拉取数据先调接口拿草稿，再渲染。这样模型迭代不影响前端。阈值设定要权衡：太高则人工改动多、省不了事；太低则错标溜进训练集。可先用验证集测不同阈值下的错误率，选人工复核成本最低的点。以下伪代码展示了一个简单的阈值过滤逻辑：
def pre_annotate(items, model, high_th=0.9, low_th=0.5):
results = []
for it in items:
label, conf = model.predict(it)
if conf >= high_th:
results.append({'data': it, 'label': label, 'lock': True})
elif conf >= low_th:
results.append({'data': it, 'label': label, 'lock': False})
else:
results.append({'data': it, 'label': None, 'lock': False})
return results
# 模拟调用
class FakeModel:
def predict(self, x):
return 'cat', 0.92
out = pre_annotate(['img1.jpg'], FakeModel())
print(out)
人工纠错产生的数据同时也是黄金样本，应回流到模型再训练，形成闭环。很多团队忽略了一点：预标注模型本身要用较早批次人工标的数据定期更新，否则分布漂移后草稿质量下降。建议每标满两千条就微调一次，保持预标准确率在八成以上，才能维持人工只改两成的状态。
二者协同降本的落地节奏与避坑点
把主动学习和预标注合起来用，节奏通常是：用预标注快速吞掉大量高置信样本，省下的人力专注处理主动学习挑出的低置信难例。这样标注预算主要花在刀刃上。某团队做发票字段抽取，纯人工标一万张需两人月，引入预标注加主动学习后，实际人工标两千张即达到同等模型效果，成本降到五分之一。
落地时有几个坑。第一，标签体系若中途变更，旧预标注草稿可能失效，要在标注工具支持版本映射，把旧标签自动转新标签或置为待审。第二，主动学习选出的样本若和预标注错的样本重叠，要去重，否则人工重复劳动。第三，不要迷信全自动，关键业务保留抽检，防止错标 silently 污染数据集。下面用表格对比三种策略的人力占用：
| 策略 | 标注量占比 | 人工主要工作 |
|---|---|---|
| 纯人工随机标 | 100% | 从头打标 |
| 仅预标注 | 约40% | 改低置信草稿 |
| 预标注+主动学习 | 约20% | 改难例与纠错 |
还有一个细节是评估方式。不能只看标了多少，要看同等模型精度下的总开支。有时主动学习多迭代几轮，虽标得少但训练次数多，算力成本要计入。综合算账后，中小团队用轻量模型做预标、每轮主动选百条左右的配置，往往最划算。厘清这些协同逻辑，标注贵的问题就能从工程上被真正缓解。
active_learningpre-annotationdata_labeling修改时间：2026-08-15 05:54:29