什么是合成数据（Synthetic Data）？在大模型训练中的作用？

合成数据是用AI（大模型、GAN、仿真环境）生成的训练数据，而非真实世界采集

作用：

• 解决真实数据稀缺问题（如医疗、法律领域）
• 保护隐私（不直接使用真实用户数据）
• 提升数据多样性（生成边缘Case、多语言数据）
• 自我改进（模型生成数据训练更强的模型，如Self-Instruct、Alpaca-GPT4数据）

风险：模型崩溃（Model Collapse）——用模型生成的数据训练会导致分布偏移、质量退化，需要与真实数据混合使用