Label Studio

Label Studio 面向机器学习数据工作流，既可以做传统数据标注，也可以做 LLM 和智能体相关评估。

核心功能和使用场景

主要能力

• 支持多模态数据标注和注释。
• 覆盖 CV、NLP、音频、文档 AI 和智能体轨迹。
• 可用于 LLM eval、RLHF 和模型评估数据建设。
• 提供开源版本，适合自托管和研究场景。

适合的用户

适合机器学习团队、数据工程团队、研究机构、标注供应商和需要构建评估集的企业。非技术用户需要有人设计任务和规范。

使用边界

标注质量依赖任务设计、标注员培训和质检。敏感数据还要考虑访问权限、脱敏和合规。

选择和落地建议

评估 Label Studio 时，可以先建立一个小型标注项目，检查模板、审核流、导出格式和团队协作是否符合模型训练需求。

在团队或公开发布场景中，还应提前约定验收标准，例如哪些结果可以直接进入下一步，哪些必须由负责人复核，哪些素材不能上传，以及生成记录需要保留多久。这个检查能帮助团队把 AI 工具放进可追溯的流程里，减少因为结果来源、授权或质量判断不一致带来的返工。

如果工具会处理客户资料、个人信息、商业素材、财务数据、医疗法律内容或人物形象，还需要把隐私、版权、肖像授权和平台规则写进使用前检查清单。对外发布时，建议保留人工修改记录和最终确认人，避免把试验性输出误当成已审核内容。 更稳妥的做法是先建立一个小样本清单，把输入材料、生成结果、人工修改、最终采用版本和未采用原因分开记录。经过几轮对比后，团队可以更清楚地判断哪些任务适合交给工具辅助，哪些仍需要专业人员主导，后续也更容易追踪质量问题来自输入、模型输出还是审核流程。

常见问题

Label Studio 是开源的吗？

是，它提供开源数据标注平台，也有商业能力。

它只支持图片标注吗？

不是，它支持文本、音频、文档、视频和 LLM 评估等多种任务。

标注前最重要的准备是什么？

要写清标注规范、示例、质检规则和数据权限。