#合成数据

svpino 分享了一个测试智能体的思路：输一句话就生成带 CRM、邮件、Slack 数据的假公司，跑坏了还能重置重来。

Ate-a-Pi@svpino9 个信源在谈原文

做风控或信用建模的可以看看，19 个公开数据集、124 万条记录，统一防泄漏流程，比以往只用 2-4 个公开数据集的基准全多了。

做 Text-to-SQL 的同学可以看看 FALCON 这个框架，用小开源模型本地就能造出比现有基准更难的训练数据，还不用调外部 API。

Perplexity 在招研究员，方向是多智能体和合成数据，出钱还开放研究成果，9 月 30 日前可申请。

Aravind Srinivas@AravSrinivas原文

一篇偏理论的论文：不用改模型内部，只在输出端做后处理就能让性别、种族等属性分布对齐目标，还证明了查询次数最优，做公平性或合成数据的可以看看。

Aidan Gomez爆料AI公司用用户合成数据训练模型，敏感工作者需注意数据安全。

Gary Marcus@GaryMarcus原文

这篇论文教你如何用合成数据提升统计推断效果，特别适合数据稀缺场景的研究者。

想给医疗或表格类基准造数据的朋友可以看看，它把多张结构不同的表统一起来生成，不用再受单表限制了。

这篇论文教你如何不让合成临床数据看起来像模板：两个修订方法在保住效用下限的同时把真实感拉上来，适合做医疗AI基准的人参考。

这篇论文用分层扩散模型学电网数据分布，生成场景不用后处理就能过AC潮流验证，做电力系统研究可参考。

这篇论文用BlenderProc生成合成划痕数据，微调策略比纯真实数据训练效果更好，适合做工业质检的场景。

工业视觉缺数据？这个框架用7533张合成图训RFDETR，在真实样本上mAP达80.9%，凹版印刷质量控制有救了。

这篇论文提出了FedKT-CSD，通过预训练自编码器生成合成数据，同时提供差分隐私保护，在异质性数据下性能不输无隐私方法。

这个做法用合成数据解决工业场景真实数据稀缺的问题，数亿级数据集全靠模型生成，思路挺新颖。

AI Will@FinanceYF5原文

这篇论文教你让AI自己当数据科学家，自动造出比手动更好的训练数据，还能越造越强，做研究写代码都能用上。

这篇论文提出BrReMark，通过先假设再验证的标注机制，大幅提升了脑MRI诊断的可信度和定位精度，值得关注。

这篇论文推出了OncoSynth，能用合成数据准确估计肿瘤治疗效果，比现有方法误差降低一半以上，适合做医疗AI的朋友了解。

想提升合成数据训练的检测模型效果？这篇论文用YOLOv12做了18组实验，证明间接光照比直射光更靠谱，还给了具体设计建议。搞工业视觉的一定要看。

想审计合成数据是否偷学了你的信息？这篇论文给出了一个轻量级方案，无需模型权限，只需输出和留出集就能揪出隐私泄露。