工贸业质量追溯智能问数垂类大模型语料数据

数据来源于质量检测数据，涵盖IQC来料检验、FQC过程检验、OQC出货检验等多阶别质量数据，包含检验阶别、元器件类型、焊盘尺寸、焊点面积、缺陷类型、风险等级等多维度核心字段。 通过对数据进行清洗、脱敏、结构化处理，构建"自然语言问数需求-SQL语句生成-执行结果输出"三元组语料体系，将质量管控人员的业务问句精准转换为可执行的SQL查询语句，覆盖缺陷统计、趋势分析、阈值判断、占比计算等核心问数场景。 该数据集解决工贸业企业质量管控中质量分析依赖专业SQL技能导致普通质检人员无法自主查询、多检验阶别（IQC/FQC/OQC）数据分散导致跨阶别对比困难、缺陷追溯与趋势分析响应慢影响异常及时处置等核心痛点，帮助质量管理人员从"依赖技术人员编写SQL"转向"自然语言自主查询"。 同时，该数据集可为工贸业领域的垂类大模型NL2SQL能力训练提供结构化语料支撑，推动行业从"人工编写SQL查询"向"自然语言智能问数"演进。该语料体系可横向复用至PCBA加工、半导体封装、汽车零部件制造等领域的质量管控场景。 1.数据清洗与标准化：按"问数需求+检验阶别+元器件类型"去重，剔除重复语料；通过逻辑校验删除矛盾数据；统一时间格式、检验阶别命名(IQC/FQC/OQC)、缺陷类型命名(少锡/多锡/冷焊/偏移/立碑/桥连/空洞/焊球/正常)、元器件类型命名(0402/0603/0805/1206/SOP8/SOP16)，清洗后数据有效率≥98%。 2.问题分类与结构化：按"缺陷统计类""趋势分析类""阈值判断类""对比分析类"等场景分类，标注"检验阶别""缺陷类型""元器件类型"标签，确保覆盖工贸业质量管控90%以上核心问数需求。 3.核心算法建模：（1）语义解析与要素提取：采用BERT-SMT预训练模型进行命名实体识别，提取检验阶别、时间范围、统计指标等关键要素，要素提取准确率≥95%；（2）SQL生成与语法验证：基于"业务术语-字段名"映射规则生成标准SQL语句，SQL语法正确率≥93%；（3）异常值检测：采用规则引擎过滤包含企业专有ID、内部编码的异常问句，异常语料过滤率≥99%；（4）逻辑核验与业务对齐：由资深质量工程师对"问数需求-SQL语句-结果输出"三元组进行最终核验，人工核对正确率100%。 4.语料库迭代优化：构建"应用-反馈-优化"闭环迭代机制。

搜集汇总

背景与挑战

背景概述

该数据集基于IQC、FQC、OQC等多检验阶别的质量检测数据，通过清洗、脱敏和结构化处理，构建了“自然语言问数需求-SQL语句生成-执行结果输出”三元组语料，覆盖缺陷统计、趋势分析、阈值判断、占比计算等问数场景。其核心目的是解决工贸业质量管控中普通质检人员因缺乏SQL技能而无法自主查询、跨阶别数据分散导致对比困难以及缺陷追溯与趋势分析响应慢等痛点，帮助质量管理人员从依赖技术人员编写SQL转向自然语言自主查询。同时，该语料可为工贸业垂类大模型NL2SQL能力训练提供结构化支持，并可扩展至PCBA加工、半导体封装、汽车零部件制造等领域的质量管控场景。