本文第一作者王升，陈鹏安与周靖淇均来自香港大学。通讯作者为香港大学计算机科学系吴川教授与孔令鹏教授。其他作者还包括来自香港大学的李沁桐、董经 纬、高佳慧，以及香港中文大学的薛博阳、江继越。 想象一下，你接手了一个新项目，需要在没有数据的情况下提升模型表现。"TreeSynth" 就这样起源于作者们最初的构想："如何通过一句任务描述生成海量数据， 完成模型训练？" 同时，大规模 scalibility 对合成数据的多样性提出了新的要求。 相比之下，传统的数据合成方法就像一个缺乏规划的农夫漫无目的地四处撒种， 结果发现许多肥沃的土地被遗漏，而某些贫瘠的角落却种满了庄稼。 这正是当前数据合成领域面临的核心挑战：如何从 0 系统性地生成多样化、高质量的训练数据？现有方法往往受限于模型偏见、种子数据局限和低变种 prompt， 导致合成数据缺乏多样性，分布不均匀。更为关键的是，随着数据规模的增加，这种问题会变得愈发严重。 基于这一挑战，香港大学和香港中文大学的研究团队提出了 TreeSynth—— 一种受决策树启发的树引导子空间数据合成方法。它从整个数据空间的根节点出发，通 过层层分支将复杂的数据领域逐步细分，直到每个 ...