空氣隔離環境中的微調合成資料生成

企業資料集規模很小。不是「我們希望有更多」的小，而是結構性的小。一家醫院可能有 1,500 份相關的放射科報告。一家律師事務所可能有 800 份所需特定類型的合約。一家銀行可能有 3,000 份適合分類任務的交易敘述。

對於微調而言，這往往不夠。根據任務複雜度，大多數微調方法在 5,000–50,000 個訓練樣本時效果更好。當真實資料稀缺時，合成資料生成填補了這一空缺——使用模型創建額外的訓練樣本，以擴大覆蓋範圍、平衡類別分布並引入變化。

在不允許任何網路流量的空氣隔離環境中，所有生成必須使用本地模型。本指南涵蓋實際技術、工作流程和限制。

---

為何合成資料對服務提供者很重要

向企業客戶提供微調服務的服務提供者，幾乎在每個專案中都面臨資料量不足的問題。企業客戶有足夠的資料來展示任務，但很少有足夠的資料進行穩健的模型訓練。

選擇如下：

1. 用現有資料訓練 — 對資料量大的簡單任務有效。當資料稀缺時，產生脆弱的模型。
2. 收集更多真實資料 — 理想但緩慢。需要客戶可能沒有的領域專家時間。可能需要數月才能積累足夠的資料。
3. 生成合成資料 — 使用現有真實資料作為種子，立即擴展資料集。現在就可以使用，品質可控。

合成資料不是真實資料的替代品，而是倍增器。由 1,500 個真實樣本和 5,000 個合成樣本組成的資料集，通常比單獨的 1,500 個真實樣本產生更好的微調結果——前提是合成資料經過品質過濾。

---

合成資料生成技術

改述

取一個現有的訓練樣本，生成保留含義但改變表面形式的變體。這是最簡單、最安全的數據增強技術。

工作原理：使用現有樣本提示本地 LLM，要求生成 3–5 個改述版本。過濾生成的改述，篩選相似度（太相似 = 無益，太不同 = 語意漂移）。

使用時機：當您需要更多訓練量但標籤分布已經均衡時。改述不會改變分布——它只是增加密度。

品質控制：

• 原文與改述之間的語意相似度應為 0.7–0.9（由本地嵌入模型測量）
• 應丟棄完全相同或幾乎相同的副本
• 應保留領域專屬術語，不應被改述掉

從文件生成指令

將原始文件轉換為指令/完成訓練對。這是從文件集建立微調資料集的主要技術。

工作原理：給定一個源文件，提示模型生成文件可以回答的問題或指令。然後從文件中生成（或提取）完成部分。

示例：給定一個關於終止權的合約條款，生成：

• 「本協議中的終止條件是什麼？」
• 「總結提前終止條款。」
• 「在什麼情況下任何一方可以終止？」

每個問答對成為一個訓練樣本。

使用時機：當客戶有文件但沒有指令/完成對時。這是最常見的企業場景——組織的知識存在於文件中，但不是微調所需的格式。

品質控制：

• 生成的問題必須可以從源文件中得到解答
• 完成部分必須有文件事實依據，而非幻覺
• 問題類型應多樣（事實性、分析性、摘要性）且複雜度各異

DPO 配對創建

直接偏好優化（DPO）訓練需要一個回應優於另一個的配對。當您想引導模型行為時，合成生成這些配對很有價值——偏好簡潔回答、偏好正式語氣、偏好引用來源的回答。

工作原理：對於給定的指令，生成兩個回應：一個遵循所需行為，一個違反所需行為。將配對標記為選擇/拒絕。

使用時機：當微調目標除了事實準確性之外，還包括行為對齊（語氣、格式、安全性、引用行為）時。

品質控制：

• 選擇和拒絕之間的差異應清晰且一致
• 兩個回應都應流暢——拒絕的回應不應明顯有缺陷
• 偏好方向應與有記錄的風格指南一致

種子樣本擴展

從一小組高品質、經人工驗證的樣本開始，生成與種子的模式、分布和品質相匹配的額外樣本。

工作原理：提供 10–20 個種子樣本作為上下文。提示模型生成遵循相同模式的新樣本。過濾品質和去重。

使用時機：當您有少量專家創建的樣本需要擴大規模時。適合模式一致的專業任務（如臨床筆記摘要、合約條款提取）。

品質控制：

• 生成樣本應與種子樣本的分布匹配（主題、長度、複雜度）
• 手動審查隨機抽樣（10–20%）以驗證品質
• 生成樣本與種子之間的語意相似度應在定義範圍內（不太近，不太遠）

---

空氣隔離的限制

上述所有技術都可以使用雲端 API。空氣隔離環境的限制是生成必須完全使用本地模型。這引入了特定的限制和注意事項：

模型能力上限：本地模型（70 億–700 億參數）在生成任務上不如前沿 API 模型（GPT-4、Claude）。生成文本品質較低，幻覺率較高，指令遵從的可靠性較差。

緩解方法：更嚴格的品質過濾。生成比所需更多的樣本，積極過濾至前 60–70% 的品質分數。

吞吐量限制：在單個 GPU 上生成 10,000 個合成樣本，根據模型大小和輸出長度，需要數小時至數天。在專案時間表中規劃生成時間。

緩解方法：使用較小的模型（70 億–80 億參數）以高吞吐量進行初始生成，然後使用較大的模型（130 億–700 億參數）進行品質過濾。生成模型不需要完美——過濾器才需要。

無法更新模型：在空氣隔離環境中，您無法在專案期間下載新的模型權重。在網路斷開前預先載入所有可能需要的模型。

---

比較：合成資料工具

Distilabel（Argilla）

用於使用 LLM 生成合成資料的開源庫。基於管線——將生成步驟定義為有向圖。

優勢：靈活，支援多種 LLM 後端，文件完善。弱點：需要 Python 專業知識進行配置。無 GUI。管線定義是程式碼，而非配置。領域專家無法獨立使用。

Gretel

專注於隱私安全資料生成的商業合成資料平台。支援表格和文本資料。

優勢：強大的隱私保證，適合表格資料增強。弱點：雲端/混合部署模型——不適合完全空氣隔離的環境。商業授權。

自訂腳本

許多團隊編寫自訂生成腳本——一個使用提示模板和品質過濾器呼叫 Ollama API 的 Python 循環。

優勢：完全控制，除 LLM 執行環境外無依賴。弱點：維護負擔，無內建品質指標，無稽核追蹤，跨專案不可重用。

---

實際工作流程

空氣隔離環境中合成資料生成的逐步工作流程：

步驟一：選擇種子樣本（1–2 小時） 從您的標注資料集中，選擇 20–50 個高品質、具代表性的樣本。這些應涵蓋資料集中的全部類別、複雜度級別和格式。

步驟二：配置本地 LLM（30 分鐘） 透過 Ollama 或 llama.cpp 部署生成模型。用幾個樣本提示測試推論速度和輸出品質。調整溫度（0.7–0.9 適合生成）和最大 token 數。

步驟三：設計生成提示（2–4 小時） 為您將使用的每種生成技術編寫和測試提示。對 20 個種子樣本進行測試。迭代直到輸出品質一致。

步驟四：大規模生成（4–24 小時，取決於量） 對所有技術執行批次生成。目標是所需量的 3–5 倍——之後會過濾掉。

步驟五：品質過濾（2–4 小時） 應用自動品質過濾器：

• 與種子的語意相似度（保留 0.6–0.9 範圍）
• 對真實資料和合成資料內部去重
• 啟發式品質檢查（長度、連貫性、格式合規）
• 可選：使用較大的本地模型作為品質評判者

步驟六：人工審查（2–8 小時） 領域專家審查過濾後合成資料的隨機 10–20% 抽樣。拒絕事實錯誤、離題或風格不一致的樣本。

步驟七：與真實資料合併（30 分鐘） 將過濾後的合成資料與真實標注資料合併。用元數據標記合成樣本（用於可追溯性）。典型的最終比例：20–40% 合成，60–80% 真實。

---

品質過濾：不可妥協的步驟

沒有品質過濾的合成資料比沒有合成資料更糟。未過濾的生成文本引入幻覺、事實錯誤和分布偏移，這些都會降低模型效能。

最低限度的過濾管線：

1. 格式合規：生成的樣本是否與所需模式匹配？
2. 去重：此樣本是否與所有其他樣本（真實和合成）有所區別？
3. 語意相關性：此樣本是否與訓練任務相關？
4. 事實依據：對於從源文件生成的樣本，答案是否可以對照源文件驗證？
5. 多樣性檢查：合成集是否覆蓋與真實資料相同的分布，還是聚集在一起？

Ertas Data Suite 的增強模塊使用本地 LLM（透過 Ollama/llama.cpp）處理合成資料生成，內建品質過濾和去重功能。生成提示透過視覺介面配置，每個生成樣本都附有其源種子、生成方法和品質分數的標記——全部記錄到專案稽核追蹤中。

---

連接到管線

增強後的資料（真實 + 合成）進入匯出環節，在那裡組合後的資料集被格式化用於目標使用場景——用於微調的 JSONL、用於 RAG 的分塊文本，或根據需要的其他格式。

有關完整管線概覽，請參閱如何為 LLM 微調建立本地資料準備管線。