合成数据能不能用：先看三组对比

合成数据这两年被讲得很多，宣传语几乎一致：解决长尾、降低成本、绕开隐私。真正难的不是理解它，而是判断它在你这个任务上到底有没有用。

我的结论先说：能用，但必须带着「留出真实测试集」的前提去用。

三组对比，看什么指标

要判断合成数据有没有用，至少要做三组对照，而且必须在同一套真实测试集上评：

第三组才是实际会用的方案，第一组是唯一可信的参照。跳过第一组直接看第三组，得到的结论没有意义。

什么时候有效

• 长尾类别。真实样本极少的类别，合成数据能明显改善。
• 标注昂贵的任务。分割、关键点这类标注，合成的边际成本低得多。
• 隐私受限场景。不能使用原始数据的场合，合成是唯一可行路径。

这三类有一个共同点：真实数据的「供给」是最紧的瓶颈，而不是模型的容量。

什么时候无效

• 分布偏移。合成数据的分布和真实分布不一致时，模型学到的是错的先验。
• 几何一致性要求高的任务。多视角、遮挡关系这类约束，生成模型很难保证。
• 语义漂移。从文本生成图像时，细粒度属性（数量、方位、材质）经常对不上。

第三个问题最隐蔽，因为它不影响整体指标，只在细分属性上出错。

评估流程

第三步是最容易被跳过的一步。总体指标涨了两个点，但某个关键类别掉了十个点，这种情况很常见。

第四步决定要不要继续用。如果合成数据引入的错误正好落在你最在意的类别上，那这个方案就不成立。

一句话结论

合成数据的价值不在替代真实数据，而在补齐真实数据覆盖不到的部分。把它当增量用，通常有收益；把它当替代品用，通常出问题。

成本这个账怎么算

合成数据常被说成「便宜」，但这个比较必须放在同一口径下才有意义：

• 生成成本。模型推理的算力开销，以及为生成做的调参人力。
• 校验成本。合成数据必须被检查，否则错误会被系统性放大，这部分人力经常被漏算。
• 返工成本。如果训练出的模型在真实数据上表现不稳，重训的代价要算进去。

三项加起来的结论通常没有宣传里那么乐观，但在长尾类别上仍然划算——因为那边的真实数据几乎无法获取，成本等于无限。

什么时候该直接放弃

如果合成数据带来的增益集中在你不关心的类别上，或者它引入的新错误类型正好落在核心类别上，就别继续投入了。这两条都是上线后很难补救的问题。

还有一种情况也该放弃：你连一份干净的真实测试集都凑不出来。没有可信的评估基准，合成数据的任何收益都无法被验证，这时候上项目等于在赌一个看不见的结果。

免责声明：本文为技术方法讨论，所述结论基于个人实验与公开资料，不构成任何投资或采购建议。