合成数据
合成数据是指通过算法、模型或仿真手段人工生成的数据集，而非来源于真实世界的直接采集。其核心特征包括：可按需大量生成、可对敏感信息进行脱敏替代，以及能够覆盖现实数据中稀缺的边缘场景。合成数据广泛应用于机器学习训练、软件测试和隐私保护等领域，同时也面临数据质量与真实分布偏差等潜在挑战。
核心事实
时间轴 (近 90 天)
微调能力需要数据集准备与训练实践支撑，单纯看理论难以形成工程手感。
业内普遍把合成数据视为对真实语料的补充而非替代。
合成数据驱动的模型在真实场景中的鲁棒性、对口音和方言的覆盖度，以及长期使用中的音质退化问题，都还需要更多验证。
该研究表明即使在高资源匮乏的语言中，也能通过模块化架构和合成数据开发出先进的语音交互系统。
该研究是在镜像真实路网的合成数据上验证的，尚未进入真实公共部署阶段。
下游微调实验是检验合成数据实用性的关键环节：合成数据需在真实医疗对话任务上提升模型性能才能证明其有效，而不仅是表面指标接近。
合成数据基于理想化噪声模型生成，而真实射电环境包含射频干扰（RFI）、非高斯噪声、仪器增益波动等复杂因素，这些因素在合成数据中难以完全复现。
由于金融数据高度敏感，开发者常只能使用脱敏、采样或合成数据，这些数据与生产数据的联合分布可能存在系统性差异。
实时语音翻译的难点不只在模型，口音、背景噪声、多人抢话、专业术语都会影响最终体验。
合成数据路线面临的关键难题是如何在合成数据与真实数据之间取得平衡、如何设计过滤与验证机制。
还有 40 条时间轴事件
全部知识事实 (20)
合成数据是指通过算法人工生成、而非从真实世界直接采集的数据，在统计特征上模拟真实数据分布但不对应真实个体或事件
80%已验证合成数据常见的生成方式是让模型基于真实用户对话进行改写、扩充或角色转换，产出形式上虚构、语义上保留原始信息的训练样本
75%已验证当语言模型在自身或同类模型生成的数据上反复训练时，会出现系统性退化，模型输出多样性逐代降低，分布尾部信息逐渐丢失
75%已验证若合成数据生成过程遗漏关键变量间的相关性，基于此训练的模型在真实部署环境中往往表现失常
65%待验证合成数据在长尾场景补充和隐私敏感场景替代两个维度上价值最高，而非作为主体数据源
75%待验证2023年发表的《The Curse of Recursion》等研究表明，当模型在自身生成的数据上反复训练时，数据分布会逐渐退化，多样性持续降低，最终导致模型能力系统性衰退（模型坍缩）
70%待验证程序化合成数据可按需生成任意强度眩光、低照度及重度遮挡等难以真实采集的边缘场景，并提供精确标注
60%待验证程序化合成数据为机器人与自动驾驶开发者提供低成本、高精度、可无限扩展的数据获取路径
60%待验证微调能力需要数据集准备与训练实践支撑，单纯看理论难以形成工程手感。
50%待验证业内普遍把合成数据视为对真实语料的补充而非替代。
50%待验证合成数据驱动的模型在真实场景中的鲁棒性、对口音和方言的覆盖度，以及长期使用中的音质退化问题，都还需要更多验证。
50%待验证该研究表明即使在高资源匮乏的语言中，也能通过模块化架构和合成数据开发出先进的语音交互系统。
50%待验证该研究是在镜像真实路网的合成数据上验证的，尚未进入真实公共部署阶段。
50%待验证下游微调实验是检验合成数据实用性的关键环节：合成数据需在真实医疗对话任务上提升模型性能才能证明其有效，而不仅是表面指标接近。
50%待验证合成数据基于理想化噪声模型生成，而真实射电环境包含射频干扰（RFI）、非高斯噪声、仪器增益波动等复杂因素，这些因素在合成数据中难以完全复现。
50%待验证由于金融数据高度敏感，开发者常只能使用脱敏、采样或合成数据，这些数据与生产数据的联合分布可能存在系统性差异。
50%待验证实时语音翻译的难点不只在模型，口音、背景噪声、多人抢话、专业术语都会影响最终体验。
50%待验证合成数据路线面临的关键难题是如何在合成数据与真实数据之间取得平衡、如何设计过滤与验证机制。
50%待验证作者认为50条数据微调效果反常优于大数据量微调的原因之一是AI生成的合成复杂度标签存在前后不一致，数据量越大噪声被放大的机会越多。
50%待验证没有血缘的一千万行合成数据集严格劣于每条样本都可追溯的十万行数据集，因为只有后者是可调试的。
50%