让每个模型版本需要的数据按时到位，并拿到同行拿不到的部分

三类需求对量、质量和时效的要求不同，对应的供给方也不同。我所在的模块以基模数据为主。

论文在预训练语料中占比不高，价值在质量。每多采购一批，对模型的提升递减，因此按训练价值排序，而不是无差别求全。入职后向算法团队确认：

• 最缺哪些学科。
• 需要多新的内容，近几年还是全部历史。
• 需要哪些语言。
• 需要全文还是摘要，公式和图表如何处理。
• 已有数据中论文的占比，继续增加是否仍有收益。
• 各版本的时间节点和交付格式。

交付规格

与负责数据处理的同事约定后，写进每一份合同的交付条款。

• 格式：优先结构化全文，其次为可解析的版式文件。
• 字段：标题、作者、期刊、年份、学科、语种、全文、参考文献。
• 去重依据：论文的唯一编号，没有编号的按标题和作者比对。
• 许可记录：每一篇保留授权依据或许可类型，可追溯到合同。

规模参考：按每篇约 1 万词元粗略估算，全球期刊论文合计约 1.9 万亿词元，其中可直接取得的约 1,800 亿。这是量级估算，实际以交付数据为准。

按数据在谁手里分类。前八类持有或代理数据，最后一类不持有数据，但知道谁有、谁愿意合作。

论文方向的重点对象

大型出版社同时向多家模型公司授权，一般不提供独家。独占性主要来自长尾期刊和尚未数字化的内容。

一、找到

二、触达

• 直接：官方的授权合作入口、邮件、领英、行业会议。
• 间接：学者引荐期刊社，协会引荐会员单位，投资人引荐创始人，同行转介绍。
• 批量：通过学会、期刊集群、园区、企业服务商一次触达多家。

三、促成

四、管理

• 联系记录进入团队共用表，先查重再联系。
• 按八个维度评估供应方。
• 每类数据积累价格基准。
• 合作方分层维护：已签约、洽谈中、保持联系。

每一类数据按五项打分后排序：对训练的价值、取得的难度和周期、成本、能否形成独占、合规风险。算法团队的需求确认后，按实际缺口调整。

同一档内的排序原则：先易后难，先增量后存量，先能交付结构化全文的，后需要自行解析的。

国际索引未收录的部分

以上数量来自国际索引，另有一部分内容不在其中，是否采买按语种和质量分别判断。

分层管理

行业社群

在公司允许的前提下，建立一个面向数据供给方和需求方的行业交流群，作为触达和维护的公共层。

• 定位：数据合作的行业交流，不是采购群。成员包括出版方、期刊社、数据公司、模型公司的数据团队、研究者和投资人。
• 准入：实名和机构审核，按机构类型标注。
• 内容：每周一次行业动态，涵盖政策、授权交易和新出现的数据公司；每月一次线上分享；每季度一次线下闭门座谈，可与期刊和出版行业会议同期举办。
• 规则：群内不谈价格和具体项目，有合作意向的转为一对一沟通；我方的具体需求不在群内发布。
• 作用：让合作方主动找到我们，并持续获得市场上谁在供给、谁在采购的信息。

记录与复用

• 所有联系记录进入团队共用表，注明层级、对接人、上次联系时间和下一步。
• 每季度复盘各层级的数量和转化情况，调整投入。

谈判前的准备

• 对方要什么：收入、声誉、长期合作，还是规避风险。
• 我方的底线：用途范围、价格上限、是否必须独占。
• 替代方案：同类内容还有哪些来源，对方是否不可替代。
• 对方的决策人和决策流程，签约需要经过哪些环节。

条款清单

推进顺序

先确认合作意愿和内容范围，再做样本评估，然后报价和比价，之后谈条款，法务审核后签约。价格僵持时调整其他变量：期限、独占范围、付款节奏、署名方式。

对不同对象的侧重点

内部分工

我负责商务条款和全程推进；算法团队确定验收标准；法务确定授权和合规条款；财务确定付款和税务安排。

成本怎么算

除授权费外，还要计入下载与解析、去重、许可核验、法务审核的成本。开放内容没有授权费，但处理成本是真实的。

公开的价格参照很少。已披露的是出版方的年度授权收入规模，没有按篇的公开单价，因此价格基准需要在询价和比价中逐步建立。

衡量指标

从需求到结算分九步，每一步有明确的负责人和产出。入职后先按团队现有做法执行，第一季度内整理成文。

寻源方式：直接联系出版方的授权业务团队；通过代版权方集中授权的中介平台了解可售内容和价格；向数据公司了解已取得授权的现成语料。前期以邮件沟通为主，关键节点安排电话会议。