Exploring Augmentation and Cognitive Strategies for AI based Synthetic Personae
Simon Fraser University(西蒙弗雷泽大学)
针对大语言模型构建合成角色时的黑箱与幻觉问题,本研究提出将其用作数据增强系统并构建认知记忆框架,初步验证相关技术可提升合成角色可靠性,拓展HCI研究路径。
2024-04-16 cs.AI cs.HC cs.IR
POPI: Personalizing LLMs via Optimized Natural Language Preference Inference
University of Illinois Urbana-Champaign(伊利诺伊大学厄巴纳-香槟分校);Amazon(亚马逊);University of Notre Dame(Notre Dame 大学)
POPI提出一种用户级个性化框架,通过自然语言接口分离共享推断模型和生成器,统一优化目标提升个性化质量并减少上下文开销。
2026-09-23 cs.AI cs.CL
FSPO: Few-Shot Optimization of Synthetic Preferences Personalizes to Real Users
Stanford University(斯坦福大学);OpenAI;Google DeepMind(谷歌DeepMind)
FSPO通过少样本优化合成偏好实现LLM个性化,利用用户描述理性化提升奖励建模和指令遵循,生成100万合成偏好数据,在三个领域实现87%的Alpaca Eval胜率。
2026-04-16 cs.AI cs.CL cs.HC
A Synthetic Dataset for Personal Attribute Inference
ETH Zurich(苏黎世联邦理工学院)
针对LLM从在线文本推断个人信息的隐私威胁,构建基于合成档案的Reddit模拟框架,生成含7800余条人工标注评论的SynthPAI数据集,并经人类研究与18个LLM验证其有效性。
2024-11-04 cs.AI cs.CL cs.LG
DeepPersona: A Generative Engine for Scaling Deep Synthetic Personas
UCSD(加州大学圣地亚哥分校);KU Leuven(鲁汶大学);SJTU(上海交通大学);University of Michigan(密歇根大学);Denison University(德尼森大学);Amazon(亚马逊);Meta
DeepPersona通过双阶段分类学引导方法生成深度合成人设,提升LLM个性化和人类模拟的准确性与多样性。
2025-11-30 cs.AI cs.LG
Do Synthetic Personas Predict Real Audience Response? A Headline-Ranking Study with a Generic-Reader Baseline
本研究通过模拟到真实实验发现,在预测标题点击率时,无人物LLM基线优于基于真实受众人口统计的十人物面板,表明合成人物模拟会引入偏差,不如直接询问模型。
2026-11-04 cs.AI cs.CL cs.CY
Behavioral History Outperforms Descriptions of the Person for LLM Synthetic Personas
University of Washington(华盛顿大学)
本研究通过五种信息条件对比,发现行为历史比人物描述更能提升LLM合成人格对个体决策的预测准确性,尤其在个体层面显著增强预测能力。
2026-10-14 cs.AI cs.CL cs.CY
Polypersona: Persona-Grounded LLM for Synthetic Survey Responses
George Mason University, Virginia, USA(乔治·马歇尔大学);New Jersey Institute of Technology (NJIT), New Jersey, USA(新泽西理工学院);University of Southern Queensland, Queensland, Australia(南方昆士兰大学);Edinburgh Napier University, Edinburgh, Scotland(爱丁堡纳皮尔大学)
PolyPersona通过基于身份的微调,使小型语言模型能生成可靠且一致的合成调查数据,实现多领域高效调查数据生成。
2025-12-16 cs.AI cs.CL
Concept-as-Tree: A Controllable Synthetic Data Framework Makes Stronger Personalized VLMs
Peking University(北京大学);CUHK MMLab(香港中文大学MMLab);Zhongguancun Academy(中关村学院);Beijing Key Laboratory of Data Intelligence and Security(北京数据智能与安全重点实验室)
研究提升VLM个性化能力问题,提出概念树(CaT)框架,以树结构表示概念生成多样正负样本,经数据过滤策略确保质量,实验证明该框架显著增强VLM在个性化基准测试中的能力,是首个可控合成数据管道。
2026-07-10 cs.AI cs.CV
Guided Persona-based AI Surveys: Can we replicate personal mobility preferences at scale using LLMs?
Chair of Transportation Systems Engineering, TUM School of Engineering and Design, TUM, Germany(交通系统工程教授、技术大学工程与设计学院、技术大学、德国)
本研究探讨LLMs生成人工调查的潜力,通过'人设'结合现实数据,有效捕捉德国个人移动偏好中的复杂依赖关系,为交通规划提供可扩展、低成本的数据生成方案。
2025-01-20 cs.AI cs.CL cs.CY
NutriGen: Personalized Meal Plan Generator Leveraging Large Language Models to Enhance Dietary and Nutritional Adherence
College of Health Solutions, Arizona State University(亚利桑那州立大学健康解决方案学院);School of Computing and Augmented Intelligence, Arizona State University(亚利桑那州立大学计算与增强智能学院)
NutriGen利用大型语言模型生成个性化餐计划,通过构建营养数据库和提示工程提高饮食依从性和精度。
2025-04-28 cs.AI cs.CL cs.LG
PILOT: Steering Synthetic Data Generation with Psychological & Linguistic Output Targeting
PILOT框架通过将自然语言画像转换为结构化心理语言学画像来引导大语言模型生成合成数据,实验表明基于模式的方法能显著减少画像重复并提高输出连贯性,混合引导则在多样性与一致性之间取得平衡。
2025-09-18 cs.AI cs.CL
Better as Generators Than Classifiers: Leveraging LLMs and Synthetic Data for Low-Resource Multilingual Classification
Kempelen Institute of Intelligent Technologies(克姆佩尔智能技术研究所);Faculty of Information Technology, Brno University of Technology(信息科技学院)
本研究利用大语言模型生成合成数据,训练更小的多语言模型,发现生成器在低资源语言中表现更优。
2026-01-22 cs.AI cs.CL cs.LG
Can we Evaluate RAGs with Synthetic Data?
IRLab, Informatics Institute, UvA, Amsterdam, the Netherlands(IR实验室、信息研究所、乌得勒支大学、阿姆斯特丹、荷兰);AI Lab, Pegasystems, Amsterdam, the Netherlands(AI实验室、佩加系统的阿姆斯特丹分部);LIACS, Leiden University, Leiden, the Netherlands(LIACS、莱顿大学、莱顿、荷兰)
本研究探讨用LLM生成的合成QA数据替代人工标注基准评估RAG的可行性,发现合成基准可可靠排序不同检索器配置的RAG,但对生成器架构的排序可靠性不足,原因或为任务不匹配与风格偏差。
2025-10-21 cs.AI cs.CL
SynthesizeMe! Inducing Persona-Guided Prompts for Personalized Reward Models in LLMs
Stanford University(斯坦福大学);Georgia Institute of Technology(佐治亚理工学院)
本文提出 SynthesizeMe 方法,通过从用户交互中诱导合成人物角色并筛选信息量大的历史交互来构建个性化提示,在 Chatbot Arena 上将个性化 LLM-as-a-judge 准确率提升 4.4%,并在 PersonalRewardBench 上取得最佳性能。
2025-06-05 cs.AI cs.CL
Synthetic Reader Panels: Tournament-Based Ideation with LLM Personas for Autonomous Publishing
Nimble Books LLC(Nimble Books公司);Big Five Killer LLC(Big Five Killer公司)
该研究提出利用合成读者面板进行自主出版,通过LLM角色模拟多样化读者进行比赛评估,有效识别内容问题并提升高质量概念比例。
2026-02-16 cs.AI cs.CL cs.CY
Behaviorally Grounded User Profiles from the Wild for Personalized Alignment and Multi-Perspective Reasoning
University of Waterloo(滑铁卢大学);ServiceNow AI Research(ServiceNow人工智能研究院)
该研究提出从真实社交媒体提取用户画像的框架,通过训练时微调与测试时多视角推理,提升大语言模型个性化性能,优于合成画像基线。
2026-09-02 cs.AI cs.CL
A Tale of Two Identities: An Ethical Audit of Human and AI-Crafted Personas
Pennsylvania State University(宾夕法尼亚州立大学)
本文审计GPT4o、Gemini 1.5 Pro与Deepseek 2.5生成的1512个角色画像,揭示其对种族身份的过度凸显和叙事简化造成算法他者化,并提出评估与验证建议。
2025-05-07 cs.AI cs.CL cs.CY
DALDALL: Data Augmentation for Lexical and Semantic Diverse in Legal Domain by leveraging LLM-Persona
Department of Industrial Engineering, Seoul National University, Seoul, South Korea(工业工程系,首尔国立大学,首尔,韩国)
本文提出DALDALL框架,通过利用法律领域专业角色生成高质量合成查询,提升词义多样性并保持语义一致性,在CLERC和COLIEE基准测试中表现优异。
2026-03-24 cs.AI cs.CL cs.IR
Re-Centering Humans in LLM Personalization
University of Illinois Urbana-Champaign(伊利诺伊大学厄巴纳-香槟分校);Carnegie Mellon University(卡内基梅隆大学)
研究LLM个性化在合成数据与人类数据上的性能差距,通过收集人类对话和判断揭示系统在属性提取、相关属性配对和个性化响应生成阶段的局限性,并引入轻量级训练干预以缩小差距。
2026-06-04 cs.AI cs.CL cs.HC
Synthetic Founders: AI-Generated Social Simulations for Startup Validation Research in Computational Social Science
Marymount University(玛丽mount大学)
本研究通过对比人类创始人访谈与LLM生成的合成角色模拟结果,归纳出四类主题差异,提出合成角色是混合社会模拟形式,可作为实证研究的补充以拓展创业验证研究的假设空间。
2025-08-29 cs.AI cs.CY cs.MA
Personality Traits in Large Language Models
Google DeepMind(谷歌DeepMind);University of Cambridge(剑桥大学);Keio University(庆应义塾大学);University of California, Berkeley(加州大学伯克利分校)
本文提出一种心理测量学上有效可靠的方法,用于在18个大型语言模型上测量、验证并塑造合成个性,发现较大且经指令微调的模型个性信效度更强,并探讨了其对负责任AI的伦理意义。
2025-03-11 cs.AI cs.CL cs.CY
How Can We Synthesize High-Quality Pretraining Data? A Systematic Study of Prompt Design, Generator Model, and Source Data
Hugging Face;University of Sheffield(谢菲尔德大学);National Institute of Informatics(日本信息处理研究所)
本文通过大规模实验探讨提示设计、生成模型和源数据对合成预训练数据质量的影响,发现结构化输出格式优于现有方法,且生成模型参数超过1B无额外收益,提出开源数据集FinePhrase。
2026-07-31 cs.AI cs.CL cs.LG
Culturally Grounded Personas in Large Language Models: Characterization and Alignment with Socio-Psychological Value Frameworks
DIMES, University of Calabria, Italy(意大利卡拉布里亚大学DIMES研究所)
本研究通过世界价值观调查、英格尔哈特-韦尔策尔文化地图和道德基础理论,评估大型语言模型生成的文化基础人物角色是否准确反映不同文化条件下的世界和道德价值体系,并分析其跨文化结构和道德变异。
2026-09-03 cs.AI cs.CL cs.CY
PersonaCite: VoC-Grounded Interviewable Agentic Synthetic AI Personas for Verifiable User and Design Research
Adobe
PersonaCite通过检索增强的交互,将AI人设作为证据受限的研究工具,提升用户与设计研究中的可验证性与透明度。
2026-01-29 cs.AI cs.HC eess.AS
NLGR: Utilizing Neighbor Lists for Generative Rerank in Personalized Recommendation Systems
Meituan(美团)
针对推荐系统重排序中评估器与生成器目标不一致、逐一生成忽略后续项信息的问题,提出NLGR模型,通过组合空间邻居列表增强训练、采样式非自回归生成改进生成器,实验验证有效并部署于美团外卖平台。
2025-02-11 cs.AI cs.IR
Mix, Don't Pick: Why Synthetic Corpus Composition Matters for Time Series Foundation Model Pretraining
Birla AI Labs(巴尔拉人工智能实验室)
针对时间序列基础模型预训练中合成数据生成器选择困难的问题,提出简单等权混合所有生成器的方法,匹配或超越最优单个生成器,并与真实数据结合获得最强预训练语料。
2026-06-06 cs.AI cs.LG
E3: Ensemble of Expert Embedders for Adapting Synthetic Image Detectors to New Generators Using Limited Data
Drexel University(德雷塞尔大学)
针对新生成器取证痕迹变化且数据有限的问题,本文提出持续学习框架 E3,通过迁移学习构建专家嵌入器并由专家知识融合网络联合判别,提升合成图像检测性能。
2024-04-16 cs.AI cs.CV cs.LG
PSP-HDRI$+$: A Synthetic Dataset Generator for Pre-Training of Human-Centric Computer Vision Models
Unity Technologies(优必选科技(Unity科技))
我们介绍了一种新的合成数据生成器PSP-HDRI $+$,它被证明是ImageNet和其他大规模合成数据的优秀预训练替代方案。我们证明,使用我们的合成数据进行预训练将产生一个更通用的模型,即使在分布外(OOD)集上进行测试时,该模型也比其他模型表现得更好。此外,使用消融研究指导下的人的关键点估计指标与现成的模型架构,我们展示了如何操纵我们的合成数据发生器,以进一步提高模型性能。
2022-07-11 cs.AI cs.CV cs.DB
Synthetic Dataset Generation with Itemset-Based Generative Models
Universitat Politècnica de Catalunya(加泰罗尼亚理工大学)
本文提出了三种不同的数据生成器,量身定制的事务数据集,基于现有的基于项集的生成模型。所有这些发生器都是直观的,易于实现,并表现出令人满意的性能。每个生成器的质量通过三种不同的方法进行评估,这些方法可以捕获原始数据集结构的保存情况。
2020-07-13 cs.AI cs.DB
Post-Generation Curation of Synthetic Images via Homogeneous-Heterogeneous Splitting
Department of Computer and Data Sciences(计算机与数据科学系)
研究给定固定合成图像池,能否通过选择信息子集提高下游效用。基于生成器倾向,将真实类别分为同构和异构子集,用保真度-多样性标准评分,该方法与生成器无关且无需再训练,效果良好。
2026-08-25 cs.AI cs.LG
Synthetic Persona Pretraining: Alignment from Token Zero
EPFL(洛桑联邦理工学院);University of Toronto(多伦多大学);Northeastern University(东北大学);SJTU(上海交通大学);Saarland University(萨尔大学);Hereon(亥姆霍兹极地与海洋研究中心);TUHH(汉堡工业大学);Ontocord AI(Ontocord人工智能公司);TUC(德累斯顿工业大学);DFKI(德国人工智能研究中心)
该研究提出合成角色预训练(SPP),在预训练token零阶段植入助手角色,通过标注反思、预训练及角色绑定,提升模型价值构成遵循度与鲁棒性,降低对齐错误率,证明预训练时角色干预是对齐的有效方法。
2026-08-14 cs.AI cs.CL cs.LG
Generating synthetic transactional profiles
National Bank of Canada(加拿大国家银行)
金融机构在许多银行应用程序中使用客户的支付交易。交易是非常个人化的,有着丰富的行为模式,往往是个人独有的,这使得它们在某些情况下相当于个人身份信息。在本文中,我们使用机器学习技术来生成合成的事务配置文件,其目标是同时保护数据效用和隐私。我们面临的一个挑战是处理稀疏向量,因为与所有可用的支出类别相比,客户使用的支出类别很少。我们通过计算银行业在原始数据集和合成数据集上使用的常见见解来衡量数据效用。我们的方法表明,神经网络模型可以在这种情况下生成有价值的合成数据。最后,我们尝试了隐私保护技术并观察了其对模型性能的影响。
2022-01-14 cs.AI cs.LG
PolyGen: Fully Synthetic Vision-Language Training via Multi-Generator Ensembles
Politecnico di Milano, AIRLab(米兰理工学院,AIRLab);University of Tokyo, Computer Vision and Media Lab(东京大学,计算机视觉与媒体实验室)
PolyGen通过多生成器集合提升合成数据的视觉-语言预训练效果,实现更稳健的特征空间和更高的多任务性能。
2026-02-01 cs.AI cs.CV cs.LG
Investigating Bias with a Synthetic Data Generator: Empirical Evidence and Philosophical Interpretation
Intesa Sanpaolo S.p.A.(意大利联合圣保罗银行);Univ. of Milan-Bicocca(米兰比可卡大学)
机器学习应用在我们的社会中变得越来越普遍。由于这些决策系统依赖于数据驱动的学习,风险在于它们将系统地传播数据中嵌入的偏见。在本文中,我们建议通过引入一个框架来分析偏差,该框架用于生成具有特定类型偏差及其组合的合成数据。我们深入研究这些偏见的性质,讨论它们与道德和正义框架的关系。最后,我们利用我们提出的合成数据生成器在不同的情况下进行实验,各种偏见的组合。因此,我们分析了偏见对非缓解和缓解机器学习模型中的性能和公平性指标的影响。
2022-09-13 cs.AI cs.CY cs.LG
BiometricBlender: Ultra-high dimensional, multi-class synthetic data generator to imitate biometric feature space
Wigner Research Centre for Physics(维格纳物理研究中心);Cursor Insight(Cursor Insight公司);Corvinus University of Budapest(布达佩斯考文纽斯大学)
本文提出 Python 包 BiometricBlender,通过生成可控特征有用性与相关性的超高维多类合成数据,模拟真实生物特征空间,以支持特征筛选方法的基准测试。
2023-04-25 cs.AI cs.DB cs.LG
Synthetic Data Generator for Adaptive Interventions in Global Health
本文提出开源合成数据生成器 HealthSyn,利用马尔可夫过程模拟可响应个性化干预的用户行为并生成移动健康日志,以支持强化学习算法和干预交付框架的开发与评估。
2023-04-27 cs.AI cs.LG stat.ML
Sexualised synthetic personas encode and amplify gendered power asymmetries through voice
University of Edinburgh(爱丁堡大学);KTH Royal Institute of Technology(皇家理工学院)
研究商业平台性化AI语音,通过听众实验发现女性声音被性化和服从化,男性声音与支配和正面特质关联,揭示性别表达的二元和异性恋规范。
2026-06-24 cs.AI cs.CL eess.AS
Have I Seen You? Embedding Behavior Signals Synthetic Face Dataset Membership
University of Luxembourg(卢森堡大学)
该研究针对合成人脸数据集开展数据集级成员推断攻击,在多模型多数据集实验中实现高成功率,揭示合成数据仍保留真实训练数据痕迹,需更强隐私泄漏缓解措施。
2026-08-03 cs.AI cs.CV cs.LG
FVeinSyn: Synthetic Finger Vein Image Generator
School of Cyber Science and Engineering, Southeast University(东南大学网络空间科学与工程学院);Engineering Research Center of Blockchain Application, Supervision and Management (Southeast University), Ministry of Education(教育部区块链应用与监管管理工程研究中心(东南大学));Purple Mountain Laboratories(紫金山实验室);School of Computer Science and Engineering, Nanyang Technological University(南洋理工大学计算机科学与工程学院);Lee Kong Chian School of Medicine, Nanyang Technological University(南洋理工大学李光前医学院);Faculty of Engineering, Shenzhen MSU-BIT University(深圳北理莫斯科大学工程学院);VinUniversity;Institute of Automation, Chinese Academy of Sciences(中国科学院自动化研究所)
针对指静脉识别缺乏大规模公开数据集的问题,提出FVeinSyn框架,通过解耦血管拓扑与成像外观合成生成50万张指静脉图像,训练的模型在8个公开数据集上平均准确率提升27.43%。
2026-08-31 cs.AI cs.CV
Generating Synthetic Data via Augmentations for Improved Facial Resemblance in DreamBooth and InstantID
University of Tuebingen(图宾根大学);LOOKOUT University of Tuebingen(LOOKOUT 图宾根大学)
本文比较经典增强与 InstantID 生成式增强对 DreamBooth 和 InstantID 人脸个性化效果的影响,提出 FaceDistance 度量,并通过实验和用户研究证明生成式增强在平衡真实图像时能更好保持人脸相似度。
2025-07-17 cs.AI cs.CV
When Pretty Isn't Useful: Investigating Why Modern Text-to-Image Models Fail as Reliable Training Data Generators
RPTU University Kaiserslautern-Landau(凯撒斯劳滕-兰道大学);German Research Center for Artificial Intelligence (DFKI)(德国人工智能研究中心)
研究发现现代文本到图像模型在生成合成数据时性能下降,揭示其生成的数据分布狭窄且缺乏多样性,挑战了生成现实感进步即意味着数据现实感进步的假设。
2026-07-17 cs.AI cs.CV
DLVGen: A Dual Latent Variable Approach to Personalized Dialogue Generation
Nanyang Technological university(南洋理工大学)
个性化对话的生成对于自然和人性化的对话至关重要。典型地,个性化对话生成模型涉及根据对话历史和对话者的角色/个性的表示来调节所生成的响应。由于它是不切实际的,以获得每一个对话者的人物/个性表示,最近的作品已经探索了通过微调模型与对应于一个给定的人物的对话例子,而不是生成个性化的对话的可能性。然而,在现实世界的实现中,足够数量的对应对话示例也很少可用。因此,在本文中,我们提出了一个双潜变量生成器(DLVGen)能够生成个性化的对话中没有任何人物/个性信息或任何相应的对话例子。与以前的工作不同,DLVGen模型的潜在分布在潜在的反应,以及代理的潜在人物的潜在分布。在推理过程中,潜变量从两个分布中采样并馈送到解码器中。实证结果表明,DLVGen是能够产生不同的反应,准确地将代理人的角色。
2021-11-22 cs.AI cs.CL
PeopleSansPeople: A Synthetic Data Generator for Human-Centric Computer Vision
Unity Technologies(Unity科技)
近年来,在大规模标记数据集的帮助下,人物检测和人体姿态估计取得了长足的进步。然而,这些数据集没有对人类活动、姿势或背景多样性的保证或分析。此外,隐私、法律、安全和道德问题可能会限制收集更多人类数据的能力。一种新兴的替代真实世界数据的方法是合成数据,它可以解决这些问题。然而,创建合成数据生成器是非常具有挑战性的,并阻止研究人员探索其有用性。因此,我们发布了一个以人为中心的合成数据生成器PeopleSansPeople,其中包含模拟就绪的3D人类资产,参数化照明和摄像头系统,并生成2D和3D边界框,实例和语义分割以及COCO姿势标签。使用PeopleSansPeople,我们使用Detectron 2 Keypoint R-CNN变体进行基准合成数据训练[1]。我们发现,使用合成数据预训练网络并对各种大小的真实世界数据进行微调,导致Few-Shot传输(COCO人员训练的有限子集[2])的$+38.03$($44.43 \pm 0.17$与$6.40$)的关键点AP增加,以及大量真实数据状态下$+1.47$($63.47 \pm 0.19$与$62.00$)的增加,优于单独使用相同真实数据训练的模型。我们还发现,我们的模型优于使用ImageNet进行预训练的模型,对于Few-Shot传输,$+22.53$($44.43 \pm 0.17$与$21.90$)的关键点AP增加,对于丰富的真…
2022-07-12 cs.AI cs.CV cs.DB
ArtiFact: A Large-Scale Dataset with Artificial and Factual Images for Generalizable and Robust Synthetic Image Detection
BUET(孟加拉工程技术大学)
合成图像生成开辟了新的机遇,但也带来了隐私、真实性和安全性方面的威胁。检测虚假图像对于防止非法活动至关重要,以前的研究表明,生成模型在其合成图像中留下了独特的模式,可以用来检测它们。然而,泛化的基本问题仍然存在,因为即使是最先进的检测器在面对训练期间从未见过的生成器时也会遇到困难。为了评估合成图像检测器在面对现实世界损伤时的通用性和鲁棒性,本文提出了一个名为ArtiFact的大规模数据集,包括不同的生成器,对象类别和现实世界的挑战。此外,所提出的多类分类方案与过滤器步幅减少策略相结合,解决了社交平台的障碍,并有效地检测来自可见和不可见生成器的合成图像。在ICIP 2022的IEEE VIP杯挑战赛中,所提出的解决方案在测试1、测试2和测试3中分别以8.34%、1.26%和15.08%的成绩显著优于其他顶级团队。
2023-02-24 cs.AI cs.CV cs.LG
Realistic Synthetic Financial Transactions for Anti-Money Laundering Models
IBM Watson Research(IBM沃森研究中心);IBM Research Europe(IBM欧洲研究院);ETH Zurich(苏黎世联邦理工学院)
针对反洗钱真实训练数据稀缺且现有合成生成器不足的问题,本文提出并校准了一个基于智能体的逼真金融交易生成器,公开AML数据集,并以完整真实标签支持模型公平比较。
2024-01-25 cs.AI cs.LG q-fin.CP
Synthetic Data for any Differentiable Target
Stanford University(斯坦福大学)
本文提出Dataset Policy Gradient方法,通过合成数据生成器优化生成针对性示例,使目标模型在可微度量上表现优异,展示了通过合成数据改变模型属性的潜力。
2026-04-09 cs.AI cs.CL cs.LG