Adaption Labs推出‘发明数据集’：从任务描述直接生成训练数据

无需种子语料的端到端数据生成

Adaption Labs本周正式发布‘Invent a Dataset’功能。该工具允许用户仅通过一段对目标模型行为的自然语言描述（例如‘生成医生向患者解释糖尿病症状的简洁对话’），即可生成结构完整、格式规范、可直接用于模型训练的数据集。用户无需提供原始语料库（seed corpus）、预先设计的数据模式（schema）或人工标注指南——这与传统数据准备流程形成根本区别。

即用型部署与交付形式

该功能已全面集成至Adaption官方应用，并同步开放Python SDK与REST API接口。生成完成后，数据以标准格式导出：JSONL（默认）、JSON、CSV或Parquet，均为用户完全拥有、可离线使用的便携文件，支持在任意训练环境中加载使用。需注意的是，数据生成本身运行于Adaption托管云平台，按账户积分（credits）消耗计费；目前官方文档未提供自托管生成路径。

直击行业痛点：打破‘数据匹配天花板’

Adaption指出，当前主流数据工作流高度依赖已有数据源，团队常耗费数周进行清洗、标注与重构，但模型性能上限受限于现有数据与真实任务目标的契合度。尤其在专有场景（如企业内部系统日志、非结构化业务文本）中，关键信号往往分散、隐晦且难以映射为高质量监督信号。相较之下，现有合成数据工具仍需人工先行定义Schema、分布策略与生成逻辑；而‘Invent a Dataset’将起点前移至任务行为本体，实现真正以意图驱动的数据构造。

API调用机制与核心控制参数

调用逻辑清晰明确：单次调用`datasets.invent`即启动生成，立即返回`status: running`；后续通过轮询`datasets.get`获取最终状态（`succeeded`或`failed`）并下载结果。核心控制要素包括：

• 领域代码（Domain codes）：必须指定至少一个主领域（如`medical`）或细化子领域（如`medical.symptoms_diagnosis`），支持多领域混合输入；可通过`datasets.invent_domains`动态获取最新可用代码；
• 输出格式：默认`instruction_dataset`（生成prompt-completion对，适用于监督微调），或`preference_pairs`（生成chosen/rejected对，适配DPO等偏好学习）；
• 生产级参数：`estimate=True`可预估积分消耗而不触发实际生成；`prompt`字段支持最长10,000字符的任务引导描述；`idempotency_key`保障网络重试安全，避免重复执行。

多语言与本地化扩展能力

`language_expansion`支持两种模式：`translate`为每行生成目标语言直译变体；`localize`则按“国家-语言”组合生成符合当地表达习惯的本地化版本（非字面翻译）。`sample_rate`（0.01–1）控制扩展比例，计费依据为扩展后的总行数，而非原始行数。无效语言代码将返回400错误并附带有效示例列表。

构建‘意图→模型’闭环：与AutoScientist协同

‘Invent a Dataset’是Adaption‘自适应数据’（Adaptive Data）支柱的第一环节。生成的数据集ID可直接传入`autoscientist.create`，后者同步优化数据构成与训练配方（learning recipe），共同逼近用户设定的目标指标。AutoScientist已于2026年5月发布，内部跨八大垂直领域评测显示：相比由Adaption自身研究员手工配置的训练方案，其平均性能提升35%，任务胜率从48%升至64%。测试数据集规模为5,000–100,000行，所用模型架构来自Together AI提供的微调选项。

编者观点

该技术标志着AI工程范式从‘数据驱动’向‘意图驱动’的关键演进——中国企业若在垂直领域拥有强任务定义能力与评估体系，可借此大幅压缩高质量训练数据构建周期，降低对原始语料积累的路径依赖。