Machine learning
合成数据与数据配方
为什么新一代模型的能力越来越取决于「数据是怎么配出来的」，以及合成数据在其中扮演的角色与风险。
This concept is written in Chinese.
Frontier modelsAI agentsTraining & post-training
On this page6 sections
Reading order
Read these first
#What this concept means
#预训练语料的自然供给接近见顶之后，前沿模型的差异越来越来自数据配方：用什么比例混合网页、代码、数学与对话数据，哪些环节用模型生成的合成数据补足。智能体能力尤其如此——工具调用失败的轨迹、多步推理过程、检索与用户模拟这类数据在自然语料中几乎不存在，只能靠工程化合成（NVIDIA 的 Nemotron 开放数据集就是这一主张的公开落地）。理解这一层有两个实际意义：评估一个新模型时，数据配方的公开程度比参数量更能说明它的能力边界与复现性；使用合成数据时要警惕分布收窄与自我强化——用模型生成的数据训练模型，错误模式会被放大，所以配方里通常要保留真实数据锚点和独立的评估集。
Network
Where it sits in the network
#The signals and skills next to this concept. Follow any link to keep exploring.
合成数据与数据配方
Signals · 7
- DeepSeek DSec：智能体训练拼的是沙盒
- Safety for Whom? Refusing the Right Subset of a Topic, Not the Whole Topic
- Some thoughts on the Navier–Stokes Millennium Prize Problem
- BigBang-v1：把数据生产系统本身当成优化对象，以及一处对不上的口径
- Fine-tune video and image models at scale with NVIDIA NeMo Automodel and Diffusers
- GPT-5.6: Frontier intelligence that scales with your ambition
- Data for Agents
Skills · 2
Matched automatically
Signals that mention it
#Matched from the signals' text, not picked by an editor; those listed in the section above are not repeated.