Synthetic 数据是指通过算法或模型（而非真实世界采集）生成的标注数据，在人工智能训练数据稀缺且高质量需求上升的背景下，正从辅助工具演变为核心基础设施。2025 年以来，多家机构和企业在模型训练、科学研究和数据管道中系统性引入合成数据策略，同时围绕其可靠性与偏差问题展开了新一轮方法论创新。
Synthetic 数据的近期进展
1. Synthetic Sciences 发布开源 AI 工作台 OpenScience（2026-07-05）
Synthetic Sciences 公司推出了 OpenScience——一个不限定特定模型的 AI 工作台，覆盖机器学习、生物学、物理学和化学领域的研究。该平台内置合成数据生成模块，可结合多学科知识图谱为科学研究提供合成训练样本，降低对真实实验数据的依赖。原文链接
2. 论文提出 Provenance-Grounded Gating 与 Adaptive Recovery 合成数据筛选方法（2026-06-27）
预印本《Provenance-Grounded Gating and Adaptive Recovery in Synthetic Post-Training Data Curation》提出一种两阶段机制：先通过来源验证门控筛选高置信度合成样本，再对低质量样本实施自适应恢复优化。该方法在多个后训练任务中将合成数据的有效利用率提升约18%。原文链接
3. NVIDIA Nemotron 预训练采用任务种子合成 Q&A 生成（2026-06-25）
NVIDIA 在 Hugging Face 博客中披露，其 Nemotron 预训练阶段使用“任务种子”合成技术：对每个目标问答任务抽取少量真实示例作为种子，再由大模型生成大量风格与难度可控制的合成问答对。该方案使得训练数据规模扩大50倍的同时，模型在下游任务上的准确率提升约3.2%。原文链接
当前焦点与观察点
合成数据领域当前面临的核心矛盾是“规模 vs. 真实性”。一方面，合成数据可低成本无限生成，支撑大模型训练和数据蒸馏；另一方面，合成样本常携带生成模型的固有偏差，导致训练出的模型在分布外场景下表现退化。近期如 NVIDIA 的“种子驱动”方法和论文中的“来源门控”机制，本质都是在合成数据的可控性与保真度之间寻求平衡。此外，Synthetic Sciences 将合成数据与学科知识图谱结合，提示未来合成数据可能从纯文本/图像向多模态科学数据延伸。值得关注的是，合成数据的标准化质量评估体系尚未建立，不同方法间难以横向比较，这将成为下一阶段研究热点。