数据飞轮转起来后，我的合成数据版本比代码还乱——DVC+MLflow给我装上了可审计刹车
数据飞轮中的合成数据版本管理不靠脑子靠基础设施。我分享了一套用DVC定义数据生成pipeline、用MLflow关联实验与数据版本哈希的实战方案，实现了合成数据从参数、来源到训练实验的完整血统追踪，并展示了出问题时如何一分钟定位、三分钟回滚，给数据飞轮装上可审计的刹车。
合成数据
我用LLM生成5万份假病历，把BioBERT召回率拉升35%——一份零真实数据泄露的医疗NER实战
为化解医疗NER项目中的真实数据隐私限制，我用GPT-4生成了5万份无真实患者信息的胃镜报告，并设计了基于语义相似度的隐私泄露检查方案。使用这些合成数据微调BioBERT后，实体识别召回率从68%提升至92%，同时确保没有任何一条合成记录与原始数据高度雷同。本文分享从提示工程到模型评估的完整实战流程与踩坑经验。
我让客服意图识别模型靠50条标注+LoRA转起来，准确率从78%卷到91%——中小团队的数据飞轮实操手记
客服意图识别模型上线后准确率只有78%，被业务方喷了一周。我放弃了标注海量数据的想法，搭建了一套数据飞轮：主动学习每轮挑50条最难样本，GPT-4生成合成数据补充长尾表达，LoRA微调后快速上线。六轮迭代后准确率冲到91%，人力成本几乎为零。本文把选择和生成脚本、微调流程全盘托出，中小团队完全可以复制。
合成十万条指令后，我总结出清洗数据比生成数据难十倍
花了三周时间搭建合成指令数据的清洗流水线，从去重到安全过滤再到质量评分，每一步都是血泪教训。文章分享如何用GPT-4批量生成指令并控制多样性，对比实验表明清洗后合成数据微调效果在某些任务上比人工标注还好，但核心挑战不在生成，在于数据工程。
我给自动驾驶模型喂了3万张“假事故”，它终于学会了防撞
等现实发生事故再训练自动驾驶模型，效率低得离谱。我把3D渲染和扩散模型串起来，造了一套事故场景印钞机，批量生成碰撞、行人闯入、异常天气的超逼真图像。模型吃下这些“假事故”后，对极端情况的召回直接翻倍，mAP提升超20%。但纯合成数据有域迁移的坑，真实和合成的黄金配比大概是7:3，还得配上mixup和标签平滑才稳。这篇文章记录了我从踩坑到跑通的全过程。