深度分析
以語意監督為核心的 Text-to-SQL 合成方法：SemanticAgent 架構與實驗結果
SemanticAgent提出一套以顯式語意監督驅動的text-to-SQL合成流程，將合成任務拆成語意分析、受控撰寫與診斷驗證三個模組。系統從資料樣本與DDL抽取多層次語意知識，建立可檢索的知識庫，並在逐步生成過程中以語意約束指導SQL與問題的產生與修正。
合成資料
深度分析
使用者模擬在生成式人工智慧的應用：建模、合成資料與系統評估
生成式人工智慧興起之下，用戶模擬成為訓練、測試與研究互動式AI系統的重要工具。本文說明用戶模擬的定義與架構，討論以模擬代理重建用戶決策流、當作資料擴增來源，以及在可重複環境中評估系統效能的角色。
深度分析
Simula：Google 與 EPFL 提出的推理優先可控合成資料框架
隨著AI在資安、法律、醫療等利基領域的突破需求增加，缺乏足夠且合規的專業資料。Google與EPFL推出的Simula以機制設計為基礎，利用分層分類樹、元提示與雙重評審，控制多樣性、變化、複雜度與品質。實驗顯示，Simula在多個領域的合成資料集上提升模型精準度，且在覆蓋度上超過傳統參考資料集。
深度分析
「Nemotron OCR v2」與合成資料管線：高速多語言光學字元辨識全解析
為降低多語言OCR標註成本，NVIDIA建立合成資料管線，隨機生成字型、背景、版面與閱讀順序，產出1200萬張影像訓練NemotronOCRv2。模型在合成與真實測試中將NED降至0.035‑0.069，且單卡A100可達34.7頁/秒，展示合成資料可有效取代手工標註，促進多語言文件識別的快速部署。