谷歌研究院推出Simula框架，旨在解決專門AI領域數據稀缺的問題。與依賴人類種子數據或黑箱進化算法的傳統方法不同，Simula採用“推理優先”的方法，從第一性原理出發構建整個數據集。該框架將合成數據生成重新定義為數據集層面的機制設計問題，使覆蓋度、複雜度和質量成為獨立可控的變量。
Simula將生成過程分解為四個步驟：全局多樣化、局部多樣化、複雜化和質量檢查。首先，通過推理模型遞歸擴展目標領域的概念空間，構建深層層次分類樹，確保數據集覆蓋長尾分佈。然後，基於分類樹節點生成“元提示”，並通過1-of-N採樣生成多個不同實例，防止模式崩潰。接着，通過可配置的複雜化步驟調整數據難度。最後，採用雙評論家循環獨立驗證答案正確性，減少諂媚行為，保證標籤質量。
在評估方面，Simula引入了基於推理的指標，如分類覆蓋率和校準複雜度評分（基於Elo評級），以更好地捕捉多樣性和難度的細微差別。實驗使用Gemini 2.5 Flash作為教師模型，Gemma-3 4B作為學生模型，在網絡安全、法律推理、數學推理和多語言學術知識等五個領域生成了多達51.2萬個數據點。結果表明，完整的Simula系統始終優於簡單基線，但不存在通用的最優生成策略：例如，高複雜度在數學推理中帶來10%的準確率提升，但在法律推理中卻降低了性能。數據必須根據模型能力量身定製，且更好的數據比更多的數據更重要。
Simula已在谷歌內部廣泛用於實際業務。它支撐了Gemma生態系統（如ShieldGemma、FunctionGemma、MedGemma）以及設備端和服務器端Gemini安全分類器的合成數據生成。此外，它還用於安卓通話的AI詐騙檢測和谷歌消息的垃圾郵件過濾等功能。研究團隊表示，合成數據將在科學、安全、法律等領域的下一波AI突破中發揮核心作用，而Simula證明了機制設計能使數據生成成為可控的科學。
更多細節：谷歌博文發表於2026年4月16日，作者包括Tim R. Davidson和Hamza Harkous。Simula在五個領域生成多達512K數據點。評估中，全系統始終優於基線，但高複雜度並非對所有任務有益。實際應用包括Gemma系列模型和用户保護功能。這些成果展示了合成數據作為可控科學工具的潛力。