本周，Adaption Labs 发布了 Invent a Dataset。该功能能够根据你想要模型学习的行为描述，生成结构化的、可直接用于训练的数据集。你不再需要准备种子语料库、预先定义 schema，也不用编写标注指南。当前该功能已在 Adaption 应用中上线，并通过 Python SDK 和 REST API 提供。生成的每一行数据可下载为 JSONL、JSON、CSV 或 Parquet 格式，因此产物是一个可移植文件，归你所有，可在任何环境中训练。生成过程运行在 Adaption 托管的平台上，会消耗 credits；文档中没有提供自托管生成路径。
大部分数据集工作流都始于已经存在的数据。团队往往要花数周时间标注、过滤和重塑数据，以逼近目标任务。Adaption 认为，这种做法使模型质量受限于现有数据与期望行为的接近程度。对于专有和专门任务，相关信号通常分布在内网系统、非结构化文本或工作流日志中，很难直接转化为高质量训练集。研究团队还与现有合成数据工具划清界限：那些工具是在人类已经定义好 schema、任务分布和生成策略之后，才自动化生成数据。Invent a Dataset 则提前一步，从“行为”本身开始。
API 的工作方式非常具体。对 datasets.invent 的一次调用将会创建数据集并开始生成，立即返回 status=running。之后你可以轮询 datasets.get，直到状态变为 succeeded 或 failed，然后下载数据。域代码（domain codes）是主要控制项。你需要通过 datasets.invent_domains 获取当前代码，而不是硬编码；例如可以传入 medical，也可进一步用限定子域（如 medical.symptoms_diagnosis）收窄范围。每次运行至少要指定一个域或子域，多个域会同时贡献到同一数据集。未带子域的域会覆盖该域的完整范围。
目前支持两种输出格式。instruction_dataset 是默认格式，生成用于监督微调的提示-完成对（prompt-completion pairs）；preference_pairs 则会生成选定/拒绝对（chosen/rejected pairs），用于 DPO 等偏好训练。三个参数在生产环境中很关键：estimate=True 会为该请求估价，只返回预计与可用 credits，不实际创建也不收费；prompt 最长 10,000 字符，用于控制生成行真正涉及的内容；idempotency_key 最长 255 字符，使网络重试安全——如果重试，会返回原数据集而不是启动第二次运行。每次启动的行数受套餐限制。
语言扩展有两种模式。translate 模式会为每个目标语言生成一个新的数据行变体；localize 模式会为每个“国家/语言”组合生成符合当地表达习惯的变体，而不是简单直译。sample_rate 取值在 0.01 到 1 之间，控制被扩展的发明行占多大比例；费用按扩展后的输出行数计算，而不是原始行数。如果传入不支持的代码，接口返回 400，并附上可用值示例。
Invent a Dataset 是一个闭环的前半部分。数据集 ID 可直接传给 autoscientist.create，从而在优化目标下同时调整数据和训练配方。AutoScientist 于 2026 年 5 月推出，是“自适应数据”（Adaptive Data）支柱中的训练侧组件。Adaption 报告称，AutoScientist 平均比其研究团队自己配置的训练高出约 35% 的性能；胜率从 48% 提升到 64%。这些数字来自八个垂直领域的内部专项评测，数据集规模在 5,000 到 100,000 行之间，使用的都是 Together AI 提供的微调架构。
核心要点：Invent a Dataset 从任务描述生成训练行，不需要种子语料库、schema 或标签；一次 datasets.invent 调用即可设置域、行数、格式和语言扩展，生成是异步的；输出为指令对或偏好对，可下载为 JSONL、JSON、CSV 或 Parquet；数据集 ID 可直接进入 AutoScientist，实现从意图到训练模型的闭环。