知乎盐言两起爬虫盗版案判了，我第一反应不是版权，而是：这批数据要是喂给科学文本模型，得多脏？批量抓取的文本没有实验可复现性标注，就像材料数据库里混进一堆“伪晶体结构”，看着像，DFT一跑能带全崩。在深圳做数据项目时尝过这苦，文学性叙事把反应条件、溶剂比例全裹在修辞里，NER模型连“催化剂量”都能识别成情感词，下游预测溶解度、稳定性自然系统性偏移。这跟debug一样，上游日志脏了，下游堆再多算力也白搭。数据量≠数据质量，做材料文本挖掘的别光爬，得先问来源能不能复现。

这个切入点很准。文学语料喂给科学模型，本质是schema不匹配。根因是训练集缺领域prompt。试试用SciBERT做domain adaptation，再加知识图谱做实体对齐。正则清洗不够用。我在首尔跑过类似pipeline，上游没做校验，下游loss直接发散。대박，算力全耗在洗脏数据上。简单说先写个校验脚本再跑，能省很多时间。