一、总体规模与结构
1. 总数据量：12 万条。
2. 模态结构：LLM（文本）9.6 万条（80%） + VLM（图文多模态）2.4 万条（20%）。
3. 内容结构：
1）临床医疗类（8.4万条，占70%）：覆盖全科、内科、外科、妇产、儿科、皮肤、急诊/感染、药学、肿瘤、精神心理及其他专科（共11个细分场景）。
2）泛健康类（3.6万条，占30%）：覆盖营养饮食、减重管理、运动健康、睡眠健康、慢病生活方式、体检异常管理（共6个细分场景）。

二、数据格式与字段要求
所有数据必须严格脱敏，不得包含任何患者个人隐私信息。
1. 文本类病历（7个核心字段）：一般资料、主诉、现病史、既往史、查体、辅助检查、初步诊断。
2. 多模类病历（在文本类基础上增加8个字段）：资料类型、资料原始信息（图片/文件）、检查部位/对象、检查方式、检查时间、图片顺序/序列、检查报告、数据完整性说明。

三、数据质量与验收指标
1. 基础完整性：字段完整率 ≥98%；科室/场景标签完整率 100%；去重率 100%（与历史集/公开集/供应商重复样本去重）。
2. 可用性指标：样本可判定率 ≥95%（问题与答案需客观清晰，能判定对错/好坏）；OCR 可用率 ≥95%；图片可读率 ≥98%。
3. 安全与风险：风险等级标签完整率 ≥98%（高风险不可缺失）；高风险样本禁忌点完整率 100%。

四、验收红线
出现以下四类问题直接判定为不合格：
1. 医学事实严重错误
2. 用药禁忌错误
3. 特殊人群（儿童/孕产/老人）错误
4. 急症风险漏标