合成数据能补长尾，但会悄悄放大偏差

当业务数据不够时，用大模型合成训练数据很诱人：生成一批标注样本，微调小模型，效果看起来不错。但合成数据不是免费午餐，它会把生成模型的偏差、盲区和风格一起带进学生模型。

第一个风险是“分布假象”。合成数据往往比真实数据更规整、更干净、更符合模板。模型在合成验证集上分数很高，上线遇到错别字、口语、截断、多语言混杂就崩。缓解方法是合成数据只补长尾类别，主体仍然用真实数据，验证集必须来自真实线上分布。

第二个风险是“标签漂移”。让大模型生成标签，它可能对边界样本给出似是而非的答案。尤其是分类任务，合成数据会放大生成模型对类别的先验偏好。建议对合成样本做抽样人工复核，至少覆盖每个类别的边界样本。

第三个风险是“多样性不足”。同一个 Prompt 批量生成，句式会趋同。可以换模板、换角色、换语言风格、加噪声，但不要为了多样性牺牲标签正确性。

一个比较稳的流程是：真实数据打底，合成数据补稀有类别和困难负例；合成样本带来源标记，训练时可以做加权；上线前用真实 bad case 做回归。合成数据是杠杆，不是地基。用得好能补长尾，用不好会把偏差固化进模型。