Simula：基于机制与推理设计合成数据集的新框架

Google Research 推出了 Simula，这是一个将数据集创建视为机制设计问题的合成数据生成框架。与依赖手动提示或种子数据的现有方法不同，Simula 采用了一种优先推理的方法，在不使用种子数据的情况下从第一性原理构建数据集。它将生成过程分解为四个维度：用于覆盖的深度分类法、用于多样性的局部多样化、用于难度调整的复杂化，以及通过双批评循环进行的质量检查。Simula 使用基于推理的衡量标准，如分类法覆盖率和 Elo 评分（一种基于对战胜负的评分系统，首次使用需解释）进行评估。它已与 Gemini 2.5 Flash（作为教师模型）和 Gemma-3 4B（作为学生模型）配合使用，应用于网络安全、法律推理、数学（GSM8k 数据集）和多语言知识（Global MMLU 基准测试）等领域。在 Google 内部，Simula 为 Gemma 生态系统（ShieldGemma、FunctionGemma、MedGemma）、Gemini 的安全分类器以及 Android 电话诈骗检测和 Google Messages 垃圾邮件过滤等功能提供支持。该框架旨在使数据生成成为面向专业人工智能应用的可控科学。