Simula: Un Marco para el Diseño de Conjuntos de Datos Sintéticos Basado en Mecanismos y Razonamiento

Google Research ha presentado Simula, un marco de generación de datos sintéticos que trata la creación de conjuntos de datos como un problema de diseño de mecanismos. A diferencia de los métodos existentes que dependen de instrucciones manuales o datos semilla, Simula emplea un enfoque basado en el razonamiento, construyendo conjuntos de datos desde primeros principios sin semillas. Descompone la generación en cuatro ejes: taxonomías profundas para la cobertura, diversificación local para la variedad, complejización para el ajuste de dificultad y controles de calidad mediante un bucle de doble crítico. Simula utiliza métricas basadas en razonamiento como Cobertura Taxonómica y valoraciones Elo para la evaluación. Se ha usado con Gemini 2.5 Flash como profesor y Gemma-3 4B como estudiante en ámbitos como ciberseguridad, razonamiento jurídico, matemáticas (GSM8k) y conocimiento multilingüe (Global MMLU). Dentro de Google, Simula impulsa el ecosistema Gemma (ShieldGemma, FunctionGemma, MedGemma), clasificadores de seguridad para Gemini y funciones como la detección de estafas en llamadas de Android y el filtrado de spam en Google Messages. El marco busca convertir la generación de datos en una ciencia controlable para aplicaciones especializadas de inteligencia artificial.