Preping：透過提案者引導的合成練習建立代理記憶
Preping 是一個新的框架，讓 AI 代理在接觸真實任務前，透過自我生成的合成練習來建立程序性記憶。透過「提案者-求解者-驗證者」的循環，該框架能確保高品質的記憶構建，並顯著降低相較於傳統線上方法的部署成本。
Search
Tag: #synthetic-data54 results
Moore Threads 與 Guangyun 打造國產物理 AI 基礎
Moore Threads 與 Guangyun Intelligence 合作開發高信賴合成資料解決方案，用於具身 AI。結合 Moore Threads 國產 GPU 運算與 Guangyun 自研模擬平台。此舉聚焦主權運算與模擬能力。
📰
OpenSimula：Simula 風格合成資料工具
OpenSimula 是 Davidson 等人的 Simula 機制設計實驗性開源 Python 實作，已加入 AfterImage 資料集工具。針對 SFT/評估設定中的推理空間控制多樣性，使用 LLM 分類法、抽樣與批評迴圈。提供儲存庫、文件與實驗性 API 免責聲明。
LACE 實現跨執行緒 LLM 推理
LACE 透過跨執行緒注意力，將孤立的 LLM 推理轉變為協調平行過程，讓路徑分享洞見並互相修正錯誤。它使用合成資料管線訓練缺乏於自然資料的協作行為。實驗顯示相較標準平行搜尋，準確率提升超過 7 點。
壞老師機器人會在LLM學生身上留下隱藏偏差
新研究警告，使用其他模型輸出訓練LLM，可能會隱性傳遞偏差，即使從原始訓練資料中清除。這種「老師-學生」動態會將不良特徵嵌入新模型。研究強調合成資料在LLM開發中的風險。
透過正則化理論優化合成數據
蘋果研究人員提出學習理論框架，平衡合成與真實數據，解決分布不匹配問題。他們利用演算法穩定性推導泛化誤差界，並依據Wasserstein距離計算最佳合成對真實數據比例。此方法以核嶺迴歸情境為動機。
AutoPlay 透過探索擴展代理任務生成
Apple 的 AutoPlay 可擴展合成任務生成，用於後訓練 MLLM 在電腦使用、網頁導航和機器人等代理領域。透過探索克服昂貴的人工註解和有限提示，生成多樣、可行、可驗證的任務。此方法大幅提升任務覆蓋率。
持續自我改進的 AI
這篇 arXiv 論文指出現代 LLM 的三大限制：知識獲取資料低效、依賴有限的人類資料，以及受限於人類訓練流程。它提出合成資料放大以高效更新小規模語料庫、自生成資料啟動預訓練（無需蒸餾），以及測試時演算法空間搜尋。這些步驟旨在實現持續自我改進的 AI 系統。
透過合成任務擴展的 AI 科學家
研究人員開發了一個合成環境管線，用於使用 SWE-agent 框架訓練機器學習代理。此管線產生基於真實 Huggingface 資料集且經自除錯驗證的 ML 挑戰。使用 GPT-5 軌跡訓練的學生模型，在 MLGym 基準測試上將 Qwen3-4B 提升 9%，Qwen3-8B 提升 12%。
NVIDIA Cosmos 擴充機器人合成資料
NVIDIA 推出 Cosmos 世界基礎模型，用於生成高保真、物理感知的合成資料，適用於人形機器人和自動駕駛車輛等 AI 驅動機器人。這解決了真實世界資料集的限制，提升泛化能力和邊緣案例處理。無需大量真實世界資料收集，即可實現可擴充訓練。