Este artículo investiga la discrepancia en el rendimiento de la personalización de LLM entre datos sintéticos y humanos. Revela que los datos humanos exponen limitaciones significativas del sistema en la extracción de atributos, la relevancia de los atributos y la generación de respuestas verdaderamente personalizadas.
El artículo argumenta que la mayoría de las plataformas de datos sintéticos fallan al generar conjuntos de datos aislados en lugar de sistemas interconectados, lo que provoca fallos en los modelos de IA y problemas de control de calidad en sectores como BFSI y salud. Destaca que los productos de IA dependen de bases de datos complejas, requiriendo que los datos sintéticos reflejen el comportamiento real del usuario en múltiples tablas.
OpenSimula es una implementación experimental en Python del diseño de mecanismos Simula, añadida a la herramienta de conjuntos de datos de código abierto AfterImage. Aborda la necesidad de diversidad controlada en las configuraciones de SFT/evaluación de LLM, generando datos sintéticos variados mediante taxonomías construidas por LLM, muestreo ponderado y bucles críticos.
El artículo sostiene que el uso de "conjuntos de datos de juguete" para las pruebas de IA rompe un contrato tácito, lo que lleva a fallos en la implementación. Propone tratar los datos sintéticos como una infraestructura robusta —estandarizada, versionada y monitoreada— en lugar de un mero código auxiliar, ejemplificado por SyntheholDB.
Este contenido aborda la generación de pares sintéticos de preguntas y respuestas, utilizados para el preentrenamiento de modelos de IA, específicamente Nemotron. La técnica busca mejorar el rendimiento del modelo mediante datos de entrenamiento artificiales.
El artículo propone un marco SIR/SIRS bicapa para modelar la contaminación de datos sintéticos y el colapso de modelos en el ecosistema de IA. Este modelo fenomenológico de campo medio trata los corpus de datos y los modelos de IA como poblaciones interactuantes, derivando un número de reproducción básico para analizar la contaminación cruzada.
O artigo relata a experiência de ajuste fino de um modelo Gemma para analisar faturas indianas. Apesar das métricas de treinamento sintéticas serem excelentes, um único documento real revelou falhas cruciais e o problema do "domain gap", destacando a importância de dados reais.
Este artículo presenta un pipeline para generar diálogos médicos sintéticos en neerlandés utilizando un Large Language Model (LLM) ajustado para abordar la escasez de datos clínicos debido a restricciones de privacidad. Las evaluaciones revelaron una gran variedad léxica, pero un flujo de conversación guionizado y problemas de especificidad del dominio en la revisión cualitativa.
Esta investigación introduce la "fidelidad conductual" como una nueva dimensión de evaluación para datos tabulares sintéticos, midiendo si preservan patrones conductuales temporales y estructurales esenciales para la detección de fraude. El estudio prueba que los generadores independientes de filas, la técnica dominante, son incapaces de reproducir motivos de grafo de fraude multi-cuenta.
Este artículo de investigación postula el origen de la información sintética como un misterio central en la ciencia de la información, estableciendo una analogía con el origen de las especies. Introduce un mecanismo de herencia esteganográfica para ayudar a rastrear el linaje evolutivo de la información sintética generada por IA, reconociendo las implicaciones morales y los desafíos técnicos.
LACE es un nuevo marco que permite a los Grandes Modelos de Lenguaje (LLMs) coordinar y compartir conocimientos entre múltiples rutas de razonamiento paralelas mediante atención entre hilos. Utiliza un pipeline de datos sintéticos para enseñar la corrección de errores colaborativa, mejorando la precisión del razonamiento en más de 7 puntos.
SynDocDis es un marco novedoso que utiliza Grandes Modelos de Lenguaje y metadatos de casos desidentificados para generar diálogos sintéticos clínicamente precisos entre médicos. Este enfoque aborda la escasez de datos de discusión reales debido a preocupaciones de privacidad, con el fin de enriquecer los agentes de IA con conocimiento clínico valioso.
Muchos modelos de lenguaje afinados resultan en un peor rendimiento debido a datos sintéticos de baja calidad. El problema no reside en la configuración del entrenamiento, sino en la falta de mecanismos para filtrar errores durante la generación de datos sintéticos.
BlenderProc es un renderizador procedural basado en Blender, utilizado para generar conjuntos de datos sintéticos para investigación en visión por computador. Facilita la creación de datos diversos y realistas para entrenar modelos de IA.
Este contenido trata sobre la construcción de un modelo de Reconocimiento Óptico de Caracteres (OCR) rápido y multilingüe. La metodología propuesta utiliza datos sintéticos para el entrenamiento y la optimización del modelo.
Esta investigación propone el uso de LLMs (DeepSeek-R1, OpenBioLLM-Llama3, Qwen 3.5) para la aumentación de datos sintéticos de salud mental, abordando la escasez y las regulaciones de privacidad. Se introduce un marco de evaluación integral que examina la fidelidad semántica, la diversidad léxica y la privacidad/plagio para mitigar riesgos como el colapso de modo o la memorización.
SeaAlert es un marco basado en LLM para el análisis robusto de comunicaciones marítimas de socorro, que son difíciles debido al ruido y las desviaciones de formato. Para abordar la escasez de datos reales etiquetados, el proyecto desarrolla una tubería de generación de datos sintéticos utilizando un LLM.
Esta investigación aborda la Brecha de Estabilidad-Expresividad en los Modelos de Lenguaje Hablado (SLM) para idiomas de bajos recursos, causada por el uso extensivo de datos sintéticos. Aunque los datos sintéticos mejoran la precisión fonética, degradan la expresividad prosódica, un fenómeno denominado Erosión Sintética. El artículo presenta marcos de autoalineación para recuperar la expresividad.
El contenido describe cómo fundamentar un agente de IA coreano en datos demográficos reales. Explora el uso de personas sintéticas para crear respuestas de IA culturalmente relevantes y precisas.
ESL-Bench é um benchmark longitudinal sintético e orientado a eventos. Ele foi desenvolvido para a avaliação de agentes de saúde, provavelmente envolvendo inteligência artificial.