本週，Adaption Labs 釋出了 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、可直接用於訓練的資料集。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，並透過 Python SDK 和 REST API 提供。生成的每一行資料可下載為 JSONL、JSON、CSV 或 Parquet 格式，因此產物是一個可移植檔案，歸你所有，可在任何環境中訓練。生成過程執行在 Adaption 託管的平臺上，會消耗 credits；文件中沒有提供自託管生成路徑。
大部分資料集工作流都始於已經存在的資料。團隊往往要花數週時間標註、過濾和重塑資料，以逼近目標任務。Adaption 認為，這種做法使模型質量受限於現有資料與期望行為的接近程度。對於專有和專門任務，相關訊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資料工具劃清界限：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，才自動化生成資料。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 的一次呼叫將會建立資料集並開始生成，立即返回 status=running。之後你可以輪詢 datasets.get，直到狀態變為 succeeded 或 failed，然後下載資料。域程式碼（domain codes）是主要控制項。你需要透過 datasets.invent_domains 獲取當前程式碼，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。每次執行至少要指定一個域或子域，多個域會同時貢獻到同一資料集。未帶子域的域會覆蓋該域的完整範圍。
目前支援兩種輸出格式。instruction_dataset 是預設格式，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。三個引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，不實際建立也不收費；prompt 最長 10,000 字元，用於控制生成行真正涉及的內容；idempotency_key 最長 255 字元，使網路重試安全——如果重試，會返回原資料集而不是啟動第二次執行。每次啟動的行數受套餐限制。
語言擴充套件有兩種模式。translate 模式會為每個目標語言生成一個新的資料行變體；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，控制被擴充套件的發明行佔多大比例；費用按擴充套件後的輸出行數計算，而不是原始行數。如果傳入不支援的程式碼，介面返回 400，並附上可用值示例。
Invent a Dataset 是一個閉環的前半部分。資料集 ID 可直接傳給 autoscientist.create，從而在最佳化目標下同時調整資料和訓練配方。AutoScientist 於 2026 年 5 月推出，是“自適應資料”（Adaptive Data）支柱中的訓練側元件。Adaption 報告稱，AutoScientist 平均比其研究團隊自己配置的訓練高出約 35% 的效能；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，資料集規模在 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 呼叫即可設定域、行數、格式和語言擴充套件，生成是非同步的；輸出為指令對或偏好對，可下載為 JSONL、JSON、CSV 或 Parquet；資料集 ID 可直接進入 AutoScientist，實現從意圖到訓練模型的閉環。