合成数据

通俗解释

合成数据能解决真实数据稀缺、隐私和标注成本问题,常用于指令微调、代码测试、对话模拟和边缘场景覆盖。风险是分布偏差被放大、模型学到生成器的错误,以及评测集污染。高质量合成数据需要明确生成规则、去重、人工抽检和与真实数据混合。用合成数据评测合成数据尤其危险,必须保留独立的真实评测集。