本週，Adaption Labs 發佈了 Invent a Dataset。該功能能夠根據你想要模型學習的行為描述，生成結構化的、可直接用於訓練的數據集。你不再需要準備種子語料庫、預先定義 schema，也不用編寫標註指南。當前該功能已在 Adaption 應用中上線，並通過 Python SDK 和 REST API 提供。生成的每一行數據可下載為 JSONL、JSON、CSV 或 Parquet 格式，因此產物是一個可移植文件，歸你所有，可在任何環境中訓練。生成過程運行在 Adaption 託管的平台上，會消耗 credits；文檔中沒有提供自託管生成路徑。
大部分數據集工作流都始於已經存在的數據。團隊往往要花數週時間標註、過濾和重塑數據，以逼近目標任務。Adaption 認為，這種做法使模型質量受限於現有數據與期望行為的接近程度。對於專有和專門任務，相關信號通常分佈在內網系統、非結構化文本或工作流日誌中，很難直接轉化為高質量訓練集。研究團隊還與現有合成數據工具劃清界限：那些工具是在人類已經定義好 schema、任務分佈和生成策略之後，才自動化生成數據。Invent a Dataset 則提前一步，從“行為”本身開始。
API 的工作方式非常具體。對 datasets.invent 的一次調用將會創建數據集並開始生成，立即返回 status=running。之後你可以輪詢 datasets.get，直到狀態變為 succeeded 或 failed，然後下載數據。域代碼（domain codes）是主要控制項。你需要通過 datasets.invent_domains 獲取當前代碼，而不是硬編碼；例如可以傳入 medical，也可進一步用限定子域（如 medical.symptoms_diagnosis）收窄範圍。每次運行至少要指定一個域或子域，多個域會同時貢獻到同一數據集。未帶子域的域會覆蓋該域的完整範圍。
目前支持兩種輸出格式。instruction_dataset 是默認格式，生成用於監督微調的提示-完成對（prompt-completion pairs）；preference_pairs 則會生成選定/拒絕對（chosen/rejected pairs），用於 DPO 等偏好訓練。三個參數在生產環境中很關鍵：estimate=True 會為該請求估價，只返回預計與可用 credits，不實際創建也不收費；prompt 最長 10,000 字符，用於控制生成行真正涉及的內容；idempotency_key 最長 255 字符，使網絡重試安全——如果重試，會返回原數據集而不是啓動第二次運行。每次啓動的行數受套餐限制。
語言擴展有兩種模式。translate 模式會為每個目標語言生成一個新的數據行變體；localize 模式會為每個“國家/語言”組合生成符合當地表達習慣的變體，而不是簡單直譯。sample_rate 取值在 0.01 到 1 之間，控制被擴展的發明行佔多大比例；費用按擴展後的輸出行數計算，而不是原始行數。如果傳入不支持的代碼，接口返回 400，並附上可用值示例。
Invent a Dataset 是一個閉環的前半部分。數據集 ID 可直接傳給 autoscientist.create，從而在優化目標下同時調整數據和訓練配方。AutoScientist 於 2026 年 5 月推出，是“自適應數據”（Adaptive Data）支柱中的訓練側組件。Adaption 報告稱，AutoScientist 平均比其研究團隊自己配置的訓練高出約 35% 的性能；勝率從 48% 提升到 64%。這些數字來自八個垂直領域的內部專項評測，數據集規模在 5,000 到 100,000 行之間，使用的都是 Together AI 提供的微調架構。
核心要點：Invent a Dataset 從任務描述生成訓練行，不需要種子語料庫、schema 或標籤；一次 datasets.invent 調用即可設置域、行數、格式和語言擴展，生成是異步的；輸出為指令對或偏好對，可下載為 JSONL、JSON、CSV 或 Parquet；數據集 ID 可直接進入 AutoScientist，實現從意圖到訓練模型的閉環。