合成数据
Synthetic Data
由模型或仿真生成、用于训练与评估的数据，用来补足真实数据的稀缺、敏感或标注成本。
先用人话理解
真实数据不够、太贵或不方便用时，可以用模型先“造”一批看起来像真的样本来练下一个模型——这就是合成数据。
再往技术里走一步
常见来源包括生成模型采样、仿真器、自我对弈与教师模型蒸馏轨迹。质量取决于覆盖度、偏差与与真实分布的差距；也用于隐私保护场景。
为什么重要
它改变了扩展定律的数据侧假设，也带来合成污染、评估虚高与版权争议。
常见误解
合成数据可以完全替代真实数据
越多合成越好
合成数据没有偏见