docs: expand finals data methodology

README.md

@@ -52,7 +52,16 @@ temperature=0
 - 训练快照：1102 条开发场景 OCR 样本。
 - 数据范围：IDE、终端、报错日志、配置文件、diff、文档代码块、API 表格及困难画面。
 
-训练数据不随模型或本仓库发布。模型 OCR 只用于预标注草稿，最终文本经过人工筛选或修订。冻结审计中训练集与 304 题测试集图片 SHA-256 重叠为 0。
+| 组成 | 数量 | 来源与处理 |
+| --- | ---: | --- |
+| 混合截图 | 436 | 联网采集的合规公开开发截图，经二次加工，以及项目作者手动截图 |
+| 代码渲染图 | 258 | 代码、配置、命令、日志和文档片段的本地渲染图 |
+| 人工筛选批次 | 360 | 388 张候选经模型分类、人工筛选和审计后保留 |
+| 人工转写补充 | 48 | 受研究用途许可约束的 IDE 候选经人工转写和筛选 |
+
+新批次采用“项目作者准备—第一模型预标注—第二模型复核—项目作者终审—脚本审计”的流程。模型结果只作为草稿或差异意见，不直接成为最终真值。训练数据不随模型或本仓库发布；公开截图和第三方素材仍受其原始许可约束。冻结审计中训练集与 304 题测试集图片 SHA-256 重叠为 0。
+
+完整来源、人员职责、终审规则和测试集隔离说明见 [决赛最终版训练数据构建报告](https://github.com/snnh/paddleocr-vl-code-ocr/blob/main/docs/%E8%AE%AD%E7%BB%83%E6%95%B0%E6%8D%AE%E6%9E%84%E5%BB%BA%E6%8A%A5%E5%91%8A.md)。
 
 ## Benchmark v5.2