[CL]《Reasoning-Driven Synthetic Data Generation and Evaluation》T R. Davidson, B Seguin, E Bacis, C Ilharco… [EPFL & Google] (2026)

在专用AI领域，高质量训练数据极度稀缺——人工标注成本高昂、隐私敏感场景无法触及，而现有合成数据方案要么依赖手工提示难以规模化，要么基于随机演化缺乏透明度，根本原因是没有人将"数据如何生成"视为独立的工程问题。

本文的核心洞见是：把"生成一个数据集"重新看作"对概念空间的系统性覆盖问题"。由此，用分类树锚定全局多样性、用智能体迭代扩展局部多样性、用双重批评者过滤质量这一三段式流水线，使可解释、可控、可扩展的合成数据生产成为现实。

这项工作真正留下的遗产是：将机制设计确立为合成数据研究的独立轴——与"好数据是什么"同等重要。它为后来者打开的新门是：在数据稀缺或隐私敏感的垂直领域（法律、网络安全）构建专用模型的可行路径；但尚未跨过的门槛是：框架仍限于文本单模态，且重度依赖教师模型能力上限，弱教师反而会因高复杂度数据拖累学生表现。

arxiv.org/abs/2603.29791

机器学习 人工智能 论文 AI创造营