Simula : un framework pour concevoir des jeux de données synthétiques basés sur des mécanismes et du raisonnement

Google Research a présenté Simula, un framework de génération de données synthétiques qui aborde la création de jeux de données comme un problème de conception de mécanismes. Contrairement aux méthodes existantes qui reposent sur des invites manuelles ou des données d’amorce, Simula adopte une approche centrée sur le raisonnement, construisant des jeux de données à partir de principes premiers sans amorces. Il décompose la génération selon quatre axes : des taxonomies profondes pour la couverture, une diversification locale pour la variété, une complexification pour l’ajustement de la difficulté et des contrôles de qualité via une boucle de double critique. Simula utilise des métriques basées sur le raisonnement, comme la couverture taxonomique et les classements Elo pour l’évaluation. Il a été utilisé avec Gemini 2.5 Flash en tant qu’enseignant et Gemma-3 4B en tant qu’étudiant dans des domaines tels que la cybersécurité, le raisonnement juridique, les mathématiques (GSM8k) et les connaissances multilingues (Global MMLU). Au sein de Google, Simula alimente l’écosystème Gemma (ShieldGemma, FunctionGemma, MedGemma), les classifieurs de sécurité pour Gemini et des fonctionnalités comme la détection d’arnaques pour les appels Android et le filtrage des spams dans Google Messages. Le framework vise à faire de la génération de données une science contrôlable pour les applications d’IA spécialisées.