Simula: Ein Framework zur Erstellung synthetischer Datensätze basierend auf Mechanismen und logischem Schlussfolgern
Google/DeepMind
Google Research stellt Simula vor, ein Framework, das die Erzeugung synthetischer Daten als Mechanismendesign auf Datensatzebene neu definiert. Es verwendet eine reasoning-first-Methodik, um vollständige Datensätze aus ersten Prinzipien zu konstruieren und ermöglicht eine feinkörnige Kontrolle über Abdeckung, Komplexität und Qualität. Simula war ein Schlüsselfaktor für das Gemma-Ökosystem und die Sicherheitsklassifikatoren bei Google.
Google Research hat Simula vorgestellt, ein Framework zur synthetischen Datengenerierung, das die Erstellung von Datensätzen als Problem des Mechanismusdesigns betrachtet. Im Gegensatz zu bestehenden Methoden, die auf manuellen Prompt-Vorgaben oder Seed-Daten basieren, verfolgt Simula einen reasoning-zentrierten Ansatz und konstruiert Datensätze von Grund auf ohne Seeds. Die Generierung wird in vier Achsen unterteilt: tiefe Taxonomien für Abdeckung, lokale Diversifizierung für Vielfalt, Komplexifizierung für Schwierigkeitsanpassung und Qualitätskontrollen durch einen Dual-Critic-Loop. Simula verwendet reasoning-basierte Metriken wie Taxonomic Coverage und Elo-Bewertungen zur Evaluation. Es wurde mit Gemini 2.5 Flash als Lehrer und Gemma-3 4B als Schüler in Bereichen wie Cybersicherheit, juristischem Reasoning, Mathematik (GSM8k) und mehrsprachigem Wissen (Global MMLU) eingesetzt. Innerhalb von Google treibt Simula das Gemma-Ökosystem (ShieldGemma, FunctionGemma, MedGemma), Sicherheitsklassifikatoren für Gemini sowie Funktionen wie Betrugserkennung für Android-Anrufe und Spamfilterung in Google Messages an. Das Framework zielt darauf ab, die Datengenerierung zu einer kontrollierbaren Wissenschaft für spezialisierte KI-Anwendungen zu machen.
Quelle: Google Research —
Original