数据清洗多少钱

要外包数据清洗，问三家报回来的价差能有三倍，还都说是按量算；想自己拿模型跑，又不知道算力、人力、返工各占多少。这篇不给你一个固定价，而是把计费口径、报价构成和该问的问题拆开，让你拿到报价单时知道每一栏对应什么，也知道去哪查当时的实际数字。

先说个前提：同一份数据，用不同口径报价，出来的数能差好几倍，所以比价之前先统一口径，否则比的就是三个不同的东西。下面按「怎么收费、钱花在哪、外包还是自建、该问什么、怎么判断合不合理」一步步来。

先定清楚：数据清洗按什么收费

常见收费口径有四种：按数据条数或行数、按字符或 token 量、按处理时长（人天或机时）、按项目一口价。前两种跟数据规模挂钩，后两种跟投入挂钩，彼此之间没有换算公式，看到报价先问清是哪一种，再决定要不要往下比。

按条数/行数: 适合结构规整、字段固定的表格类数据，单价乘条数就是总价，但「一条」的定义要先写清楚
按字符或 token: 文档类清洗常用这个口径，和模型调用绑在一起，先到 Token 单价换算（/tools/token-price-calculator）把你的量折成金额，再拿去比价
按人天或机时: 适合规则复杂、需要反复调试的活，风险在工时估不准，要约定上限
一口价: 适合量小或结构极乱的场景，卖方不愿意按量报，因为算不准

报价单上通常不会把成本拆开给你看，但你可以按下面几块反推，看哪一块占了大头，再决定砍价往哪砍。机器那部分是可比的，人力那部分才是真正拉开差距的地方。

成本项	按什么算	比价时看什么
机器成本	模型或规则的算力开销	去官方 API 价格（/official-api）核对当时的词元单价，看报价有没有明显加价
人力成本	人天，规则设计、抽检、纠错	问清几个人、几天，这是差价最大的来源
工具与平台费	按账号或按量	标注、存储、去重工具是不是必须用他一家的
返工与验收	合同里有没有写	抽检不合格谁出钱重做，不写清楚后面最扯皮

把这四栏对齐之后你会发现，同样一句「按量算」，可能一家只算了机器，另一家把人力全摊进了单价里。所以一定要让对方按你数出来的口径再报一遍。

这个决定不该拍脑袋，用三笔账过一遍，哪笔账先卡住就先解决哪个。顺序建议是先看量级，再看口径，最后看风险，因为风险账往往是直接否决项。

第一步：量级账一次性、几千条以内的活，外包省事；长期、持续、每天都有新数据的，自建更划算。把你未来半年预计的数据量写下来，别只看眼下这一批。
第二步：口径账自建不只有算力，还有调参、写规则、盯质量的人力。先去模型成本计算器（/tools/model-cost-calculator）估机器那部分，再把人力按你自己团队的小时成本加进去。
第三步：风险账数据能不能出境、能不能给第三方看。合规卡住的话外包这条路直接走不通，这时候再便宜也没用。

一种不适用的情况：数据本身稀疏、非标准、需要行业判断的（比如病历、合同条款），别指望通用模型包办，这部分人力省不掉，外包报价也不会因为「用了 AI」就掉下来。

把这六个问题做成一张表，发给每一家，收回来的答案并排放，比只看总价有用得多。凡是含糊过去的，大概率是在给自己留后手。

判断贵不贵，靠的不是感觉，是锚点。站内有几个页面能帮你把锚点找齐，注意看的是当时的最新数字，别拿几个月前的口头价去比。

数据清洗一般按什么单位报价，为什么三家报的价差这么多？

常见按条数、按字符或 token、按人天、按项目一口价四种。价差大通常不是单价差，而是口径不同：有的把机器成本和人天分开报，有的一口价打包；有的抽检比例高、含返工，有的只交付一次。问价时先统一单位、统一交付标准，再比数字才有意义。

小团队自己拿模型跑数据清洗，比外包便宜吗？

看量和持续性。一次性几千条的活，自建要花时间写规则、调提示词、盯质量，这些人力往往比外包费还贵。如果每天都有新数据、规则稳定，自建边际成本会降下来，机器那部分可以去站内工具页估一下量级，再和外包报价比。

报价里最容易被漏掉、最后加钱的是哪几项？

三种：超量部分、返工重做、验收标准变更。很多报价只写基础量单价，实际数据脏得超预期，处理时间翻倍就变成加钱项。签之前把预估量、抽检比例、不合格怎么办、最多含几次修改都写清楚，能省掉后面大半的扯皮。