2026年7月8日，上海数据交易所一笔交易被业内反复提及：一个包含120万条合规医疗对话的语料包，以每万条2.3万元成交，是同规模通用语料价格的4.6倍。买家不是大模型厂商，而是一家专做医保审核SaaS的中型公司。他们要的不是更多数据，是“拿过来就能用、出事有人担责”的数据。
这笔交易的细节，比任何行业报告都更能说明一件事：高质量语料库的定价权，正在从数据量转向数据可用性。
合规成本吃掉三成预算
一个可核查的案例来自医疗影像领域。我们在《通专融合第一次算清了这笔账》中提到过的肺结节辅助诊断项目，2026年Q2做了一次完整的语料成本复盘。项目使用的胸部CT影像数据集共包含8.6万例标注样本，原始影像采购成本47万元。后续的清洗、脱敏、标注校验和合规审查，总共花掉82万元。其中患者隐私信息脱敏和医院授权链审查两项，就占清洗成本的60%以上。
“以前我们算数据成本只看采购价，现在合规成本已经占到数据总投入的35%。”项目负责人在一次闭门分享会上说。这个数字正在成为行业做预算时的基准参照。
据国家数据局2025年9月发布的《人工智能高质量数据集建设指南》，数据质量要求已精细化到“既要保证数据真实性与时效性，又需通过数据过滤、去重、平衡类别分布等手段提升数据纯净度，同时注重隐私保护与合规性”。翻译成工程语言就是：原始爬取数据不值钱了，值钱的是清洗过、标注过、确权过的数据。
版权确权划出价格断层
2025年10月，新华网转载《证券日报》报道，标题直白——“AI语料”迎来风口，上市公司争相布局。报道引述求思咨询数据：2023年我国AI语料市场规模68.7亿元，预计2025年突破100亿大关，增长至109亿元。但市场规模膨胀的背后，一个更残酷的分层正在发生。
一位参与“大模型语料数据联盟”的数据服务商告诉我，2024年他们卖语料，客户问的第一句话是“有多少TB”；到2026年，客户问的第一句话变成了“版权链路能不能闭环”。
这个变化源于两件事叠加。
第一件事是欧盟AI法案执行细则在2025年底落地。我们在《欧盟AI法案变动中，中小企业先算合规账》里写过，风险分级、技术文档和第三方评估的要求，逼着出海企业必须自证训练数据的合法性。一家做多语言客服Agent的杭州公司，2026年3月被欧洲客户要求提供德语语料的完整授权链证明，否则不予续约。他们最终花了21万元补做版权溯源，比当初买那批语料的价格还高出40%。
第二件事是国内判例的突破。2026年5月，北京互联网法院对一起AI训练数据侵权案做出判决，认定某大模型公司在未获授权的情况下使用一批受版权保护的财经文章进行训练，构成侵权，判赔金额按“数据被模型实际学习的次数”计算。判例一出，语料交易市场三天内出现两个变化：带版权瑕疵的语料包价格腰斩，带完整授权链的语料包涨价15%-20%。
版权确权不再是一个“最好有”的选项，它直接划出了语料资产的价格断层。
场景适配度带来溢价
如果说版权确权决定了语料能不能用，场景适配度就决定了语料值多少钱。
2026年最典型的案例出现在AI短剧出海领域。我们之前写过《AI短剧出海，卡在本地化这一关》，讲的是东南亚观众对AI译制内容审美疲劳的问题。今年6月，一家做印尼市场短剧的公司找到解法：他们不再用通用翻译语料训练配音模型，而是专门采购一批印尼本土TikTok热门视频的对话文本，包含当地特有的语气词、笑话结构和宗教用语禁忌。
这批语料只有800万Token，单价却是通用印尼语语料的7倍。效果立竿见影：用这批语料微调后的配音模型，在印尼本地用户盲测中的“自然度评分”从5.2跃升到8.1（10分制）。公司CEO算了一笔账：语料多花了14万，但省掉了原本计划投在本地配音团队上的60万人力成本。
同样的逻辑正在金融、法律、工业等领域复制。一家做合同审查Agent的上海公司，2026年Q2专门采购了一批“带批注的失败合同”语料，即那些在真实交易中被法务驳回或修改过的合同文本。这批语料的价格是普通合同文本的3倍，但用它训练的模型在“风险条款识别”任务上的准确率提升了12个百分点。买家说：“贵的那部分不是数据，是隐含在数据里的判断。”
语料从资产变成服务
2026年上半年，语料交易市场出现一种新的计价模式：按年订阅而非一次性买断。这种模式最早由两家上海数据服务商在2025年底推出，到2026年Q2已覆盖约15%的商业语料交易。
逻辑很简单：模型需要持续训练和微调，语料也需要持续更新。一个2024年的新闻语料包，到2026年训练出来的模型会对“特朗普已卸任”这类事实产生认知偏差。
国家数据局的建设指南里专门提到“设施化推进高质量数据集应用”，强调的正是语料的持续供给能力。在工业领域，这个需求更迫切。我们在《大模型进车间，三家工厂先算了亏账》里记录过，产线数据漂移问题会让模型在3-6个月内性能显著下降。昆山那家工厂后来采用“月度语料更新包”，由数据服务商按月采集产线新产生的正常/异常样本，清洗标注后推送到训练流水线。年费17万元，比一次性采购贵，但把模型的误判率稳在了可控范围内。
语料正在从“卖一次”的资产，变成“持续供血”的服务。定价也就不再是一口价，而是长期账单。
价格发现才刚刚开始
回到开头那笔每万条2.3万元的医疗语料交易。我问了一位做数据估值的从业者：这个价格合理吗？他的回答很诚实：“不知道。市场还没有足够多的可比交易来形成价格锚点。”
这就是2026年语料市场的真实状态：分层逻辑已经清晰——合规的比不合规的贵，场景专用的比通用的贵，持续更新的比一次性的贵——但每一层的合理价格区间，还在靠一笔一笔的真实交易摸索。
对于买家，预算编制变得更复杂。以前是按“元/TB”做估算，现在要拆成采购成本、清洗成本、合规审查成本、场景适配成本和持续更新成本五个科目。我们在《人民日报说的“通用目的技术”，落到企业预算表里只剩一行字》里讨论过的预算困境，在语料采购上体现得尤其具体：没有对标基准，财务部门不知道该批多少。
对于卖家，这既是机会也是陷阱。机会在于，能提供“清洗+确权+场景适配”一体化服务的数据商，正在获得定价权。陷阱在于，一旦某个语料包的版权链路被证伪，价格可以一夜归零——2026年6月，一家数据商的三个中文小说语料包因授权链造假被曝光，不仅交易被撤销，还面临买家的集体索赔。
语料库的定价时刻已经到来。但价格发现的过程，注定伴随着纠纷、判例和一轮轮的成本复盘。这个市场正在从野蛮生长走向规则明确，而规则本身就是最贵的资产。
