训练模型时，真实样本常像不够用的原料：采集要成本，标注要时间，隐私与授权又让一部分数据难以流通。于是，合成数据被频繁提起。它确实能补位，但更像一种有条件的材料，而不是把样本缺口一键填平。
先分清，缺的是数量还是分布
如果只是数量不足，常规增强、重采样或生成模型都可能缓解；如果缺的是长尾组合，比如少见场景、边缘状态或罕见文本表达，生成才有明确目标。问题在于，生成器往往从已有样本里学习规律，已知模式会被放大，未知部分不会自动出现。把“多生成一些”当成默认方案，容易得到数量可观但形态重复的样本。
合成数据的价值，取决于生成前的定义
生成之前，先明确用途：是训练分类器、做鲁棒性测试，还是填充仿真环境？不同用途对应不同约束。用于训练时，要关注标签是否稳定、特征是否与真实场景兼容；用于测试时，则要让样本覆盖预期故障和边界条件，而不是只追求逼真。否则，生成规模越大，后续返工越重。
评估不能只看“像不像”
逼真只是表面指标。更关键的是可用性：模型在合成样本上训练后，回到真实数据上是否稳定；合成样本是否引入重复模式、错误关联或隐蔽偏差；标签与生成过程是否可追溯。实际检查可以拆成几层：
- 分布层：合成样本与目标场景的覆盖关系是否清楚，缺失部分有没有被误当作已覆盖。
- 任务层：在真实留出集上验证效果，避免只用生成数据自证。
- 过程层：记录生成参数、筛选规则和人工复核结果，便于问题回溯。
这些检查不复杂，却常被“先跑起来”的节奏跳过。合成数据一旦进入训练链路，就会影响模型行为，事后补救的成本通常高于事前定义。
边界要说在前面
合成数据不天然等于匿名，也不自动解决授权问题。生成过程可能保留原始样本的痕迹，使用范围仍要经过合规确认。对高风险或强监管场景，人工审核、来源说明和版本管理不能省。更现实的做法是把它放进受控流程：小规模验证、明确停止条件、保留真实数据作为校准锚点，再决定是否扩大使用。
最终要回答的仍是一个朴素问题：它让模型少犯了哪些错，又新增了哪些盲区。能说清楚这一点，生成才有意义；说不清楚，数量只会制造安全感。