用 LLM 生成合成数据，已经成了 AI 训练数据最热的赛道。Gretel、Tonic、Mostly AI 融资累计数亿美元，开源工具让几个种子 prompt 生成百万样本变得轻而易举。但每个 AI 团队都该追问一句：合成数据到底什么时候真能拉高模型表现，什么时候反而是在自砸脚面？

合成数据真正发光的场景

数据增强：当你已经有一份高质量的人工标注数据集时，合成数据能补齐稀缺类别、边界 case 和语言变体的覆盖。这在分类和命名实体识别任务上尤其有效。

隐私敏感领域：医疗、金融、法律场景常常因为合规限制不能用真实数据训练。保持统计特征但不含真实 PII 的合成数据，是一条合法合理的路径。

快速原型：在投入昂贵人工标注之前需要验证概念时，合成数据可以让你在几天（而不是几周）内跑出能用的原型。

合成数据踩的坑

模型坍缩：用同一家族模型生成的合成数据训练，会导致质量逐代退化。莱斯大学等机构已经做过研究验证，每一代合成数据都会流失一部分真实分布的丰富度。

领域专业度：LLM 能写出流畅文字，但在专业领域稳定产出专家级标注是做不到的。GPT-4 生成的放射科报告读起来像模像样，临床结论却可能是错的；合成的法律标注术语对了、法条用错更是常态。

偏好与评估数据：RLHF、DPO 以及模型评估场景下，人类判断是不可替代的。用模型生成的偏好标注，反映的是生成模型自己的偏见，会形成闭环训练陷阱。对齐的核心目的是把模型行为锚在人类价值观上，这件事必须由真人来做。

人机混合才是正解

跑得最好的团队都用混合策略：用人工标注打底，建一份高质量种子数据集和黄金评估集；用合成数据扩充训练规模；再用人工标注过的 benchmark 去验证合成样本，过滤掉低质量的。

SyncSoft AI 会帮客户设计这样的混合数据策略：人工标注决定质量天花板，QA 流程验证合成增强，评估框架度量对真实业务指标的影响。

结论

合成数据是强大工具，但不是人类专业度的替代品。用它去扩大已经被验证有效的部分，用人工标注去锁定到底什么有效。并且始终用真实场景评估，因为唯一算数的指标，永远是模型在真实用户请求上的表现。需要帮你拆一份混合数据策略？欢迎联系 SyncSoft AI。