Google「Simula」框架革新合成資料生成，強調推理驅動而非手動提示，解決專門領域資料稀缺問題

Google「Simula」框架革新合成資料生成，強調推理驅動而非手動提示，解決專門領域資料稀缺問題。

這篇發表於《Transactions on Machine Learning Research》（2026年3月）的論文，由Tim R. Davidson、Benoit Seguin、Enrico Bacis、Cesar Ilharco與Hamza Harkous撰寫，介紹「Simula」框架，將合成資料生成視為分布設計，而非僅靠提示設計，從而建構領域因素分類法以實現全球覆蓋，並透過meta-prompt精煉提升局部多樣性與複雜度，再施以批評者過濾改善標籤與樣本品質。論文強調機制設計至關重要，結構化覆蓋、多樣化與批評機制等方法，在下游微調中持續優於單純提示式合成資料管道。

合成資料生成的核心轉變

論文指出，前沿實驗室如Google視合成資料生成為「分布設計」，而非提示設計，此舉建構領域因素的分類法（taxonomy），確保全球覆蓋。例如，在生成貓咪影像資料集時，全球因素涵蓋「貓品種」、「顏色」與「環境」，而非僅依賴手動提示或演化演算法。這種方法避免現有方法的限制，包括依賴大量目標分布種子資料、缺乏可解釋性與控制。

三大挑戰剖析

論文明確定義合成資料生成的三大挑戰：

• 「好」合成資料的定義：圍繞「品質、多樣性、複雜度」軸線。「品質」指資料點是否符合特定要求，如生成「紅色貓」影像是否確有貓且為紅色；「複雜度」指資料點的混淆性或罕見度，如部分遮蔽或陰影中的貓；「多樣性」分全球（涵蓋主要因素）與局部（特定組合的多種詮釋，如紅貓在沙發上的不同呈現）。多數研究僅優化子集，忽略全面。
• 機制設計要求：需具備規模化、可解釋性與控制。規模化為非可談判條件，scaling-law研究（如Kaplan et al., 2020；Hoffmann et al., 2022）證明更多優質資料必提升成果，故排除依賴繁瑣自訂提示（如Gupta et al., 2024）或隨機演化演算法（如Mehrotra et al., 2024）的方法。透明「審計追蹤」為法律與營運需求，允許精細資源分配。
• 評估困境：內在評估檢驗是否逼近目標分布，下游評估測量訓練模型效能。但常見方法模擬既有基準資料集，訓練後測持出測試集，易誤導：基準常有錯誤標籤（Northcutt et al., 2021）、不平衡（van Breugel et al., 2024）、「欠註解」（缺乏多層註解），或遭預訓練資料洩漏，導致過擬合特定怪癖，而非代表目標領域。論文呼籲使用多樣、近期資料集評估，以提升泛化並減低上游污染風險。

Simula框架創新

「Simula」為無種子（seedless）、Agent驅動框架，使用者僅定義期望資料集特性，即可透過可解釋、可控制流程生成大規模合成資料集，實現精細資源分配。相較現有方法，它避開手動提示、演化演算法或大量種子資料的瓶頸，提供規模化生成與評估。

• 運用meta-prompt精煉，提升局部多樣性與複雜度。
• 施以批評者過濾（critic filtering），改善標籤與樣本品質。
• 強調結構化覆蓋、多樣化與批評機制，在下游微調中表現優異。

論文貢獻包括：(1) 合成資料機制設計指南；(2) 大規模生成與評估洞見；(3) 解鎖資料稀缺或隱私敏感領域的AI開發部署機會。

真實資料依賴的結構性成本

論文批判依賴真實世界資料的嚴重後果，將AI進展限於資料豐富領域如程式撰寫與創意寫作。高昂的手動蒐集成本（如Chen et al., 2023）形成經濟門檻，邊緣化廣大研究社群貢獻。安全上，只能反應式強化，部署後觀察罕見邊緣案例再修補，對安全關鍵系統不可持續。營運上，真實資料的靜態性拖慢開發週期，與合成資料的程式化工作流形成鮮明對比。此外，真實資料的「黑盒」本質使緩解社會偏見（Bolukbasi et al., 2016；Buolamwini & Gebru, 2018）與釐清所有權權利難以處理，而合成流程的全控設計可從根源解決。

專門資料稀缺的現況

儘管通用模型如Gemini（Gemini et al., 2023）、GPT系列（OpenAI et al., 2023）、Claude（Anthropic, 2024）與Llama（Touvron et al., 2023）展現多功能，前沿實驗室巨資投入專門資料（如Paul & Tong, 2024；Wiggers, 2024；Cottier et al., 2025），催生「資料鑄造廠」（data foundries；Liu, 2025；Vinn & Hu, 2025）。但手動建立專門資料集昂貴、耗時且易錯（Gilardi et al., 2023；Hosking et al., 2024），合成資料成可規模替代（Singh et al., 2024a；Abdin et al., 2024；Guo et al., 2025）。論文強調，平衡規模生成的多項期望仍為開放問題。

評估方法的反思與警示

論文警告，基準導向評估易生幻覺：合成資料優化擬合基準特定怪癖，可能不具目標領域代表性。基準常「欠註解」，缺乏多層細節，且易遭預訓練污染。解決之道在於嚴謹測試內在屬性（如分布逼近）與下游效能（如專門任務模型訓練），並採用多樣近期資料集，避免泛化失敗與上游傳染。

此框架不僅驗證於多種資料集的內在與下游屬性，還提供生成高品質、多樣、複雜合成資料的實務指引，特別適用多模態專門模型訓練，填補人類註解的成本與錯誤缺口。透過Agentic方法與推理驅動，「Simula」展現合成資料如何從反應式工具轉為主動設計，推動AI超越資料瓶頸。論文連結：https://alphaxiv.org/abs/2603.29791。