Python合成数据实战：从表格到图像的机器学习数据生成方法

做机器学习项目这几年，我有一个很深的体会：真正卡住模型迭代速度的，往往不是算法选型，而是数据本身。标注成本高、隐私限制严、极端场景样本稀缺，这些问题几乎在每个实际项目里都会遇到。于是“合成数据”这个词越来越频繁地出现在技术讨论里——用Python生成高质量合成数据，再拿去驱动机器学习训练，已经成了不少团队绕过数据瓶颈的常规操作。

这篇文章我会把自己在表格数据和图像数据两条线上用合成数据的思路、工具、实操细节和踩坑记录完整梳理一遍，不绕弯子，也不夸大效果。如果你正在被“真实数据不够、样本不平衡、敏感字段不能出库”这类问题困扰，这篇文章应该能给你一套能直接落地的方案。

1. 先说思路：合成数据不是“造假数据”，是训练管线里的发动机

1.1 真实数据为什么越来越不够用

很多人第一反应是：训练模型当然需要真实数据，合成数据再怎么逼真也是假的，能行吗？这个疑问完全可以理解。但我建议你先换一个角度看问题：真实数据在工业场景里到底卡在哪里。

第一个卡点是标注成本。拿自动驾驶场景举例，要收集一辆车在暴雨夜里的传感器数据，还得让标注团队把每一帧路面、行人、车道线都标清楚，成本能到百万级。第二个卡点是隐私合规。医疗影像、金融交易流水、用户行为日志，这些字段大多数时候连出内部测试环境都要层层审批，更别提出去训练模型了。第三个卡点是极端场景天然稀少。设备故障样本、罕见病病例、恶意攻击流量，这类东西就算把整个行业的数据都汇总过来，可能也只有几千条，根本喂不饱深度模型。

合成数据的价值就在这里：它不是用假样本欺骗模型，而是用算法把真实世界中的某些规律复制出来，在安全边界内批量制造符合业务约束的训练素材。模型该学的分布特征没有变，但样本量、平衡性、覆盖度都能大幅改善。

1.2 合成数据与数据增强到底有什么区别

很多教程会把合成数据和数据增强混为一谈，我一开始也走过这个弯路。后来我形成了一个比较清晰的判断标准：数据增强是在已有样本上做有限变形，比如图像翻转、裁剪、加噪声，本质上是“同一批积木换个摆法”；合成数据则是重新理解积木的设计图纸，然后照着图纸批量生产新积木，可以产生原始样本里完全不存在的新组合。

举个具体的例子：你用数据增强处理一张猫的照片，得到的是不同角度、不同光线下的猫，但本质上还是那只猫。而用生成模型合成猫的图片，你可以指定“橘猫+蓝色背景+侧光”，生成一百只不重样的猫。在表格数据上同理，数据增强往往只能对数值型特征做插值或加噪，但像CTGAN这类生成模型能根据字段之间的关联关系，自动生成看似合理的新客户、新订单、新交易记录。

这个区别直接影响了训练效果。模型在真实数据不足时，靠增强数据能勉强防止过拟合，但很难学到真正的分布外泛化能力；而合成数据能主动构造覆盖边界情况的训练样本，这是量变到质变的关键差异。

1.3 什么样的项目才值得引入合成数据

合成数据也不是万能药，并不是任何项目都该立刻上。根据我的经验，下面四种情形最适合引入合成数据：

反过来，如果真实数据本身已经很充足、分布很均匀，而且没有隐私限制，那合成数据的边际价值就很有限。一个三百万样本的公开图像分类数据集，硬要再合成三百万张图去训练，收益很可能还抵不上生成和清洗的成本。

2. 技术路线盘点：从规则模板到深度生成模型

2.1 先摸清数据属性和生成目标

正式写代码之前，我建议你先做一次简单的“数据体检”。看三个东西：数据类型（纯表格、文本、图像还是混合模态）、字段约束（外键关联、取值范围、唯一性、时间顺序）、以及下游任务的需求（分类、回归、时序预测还是异常检测）。每个类型都有自己最顺手的生成工具，用错路线往往事倍功半。

以表格数据为例，如果业务表里只要几十个字段，字段之间没有特别复杂的时序依赖，那你根本不需要动用深度学习生成模型，用基于规则的工具加一层统计约束就够了。但如果字段之间高度耦合，比如“客户年龄”和“是否退休”之间存在强关联，规则模板很难一一覆盖，这时候就需要用统计或深度模型自动学习联合分布。

2.2 四条主路线的适用场景与利弊

我按项目的复杂程度把合成数据的生成方法分成四个层级。

第一层是规则与业务模板生成，代表工具有Python的Faker、Mimesis。这类工具内置了大量常见字段模板，比如姓名、地址、电话、公司、日期，也能自定义生成器。优点是零训练成本、速度极快、完全受控；缺点是字段之间的业务逻辑关系需要自己写代码维护，所以只适合结构简单、只要求“长得像”的数据。

第二层是统计分布与依赖建模，代表工具是SDV库里的GaussianCopula模型。它会把每个字段拟合成合适的概率分布，再用Copula结构刻画字段之间的相关性，然后从这个联合分布里采样。适合字段规模中等、以数值和分类为主、希望保留相关性结构的场景。优点是训练时间以秒计，CPU就能跑，解释性强；缺点是对复杂非线性关系和多模态分布的表达能力有限。

第三层是生成对抗网络与变分自编码器，表格数据里最典型的是CTGAN，图像领域则有StyleGAN系列。CTGAN会通过对抗训练学习字段的分布，特别设计了处理离散列的模式，能在一定程度上捕获复杂依赖。适合字段类型复杂、量级较大的表格数据。缺点是训练不稳定、调参成本高，如果数据量太小反而容易过拟合。

第四层是扩散模型，这是目前图像和音频合成效果最稳定的一代方法。扩散模型先给真实数据逐步加噪，再训练网络学习反向去噪过程，生成时从纯噪声出发逐步还原出样本。因为生成质量高、模式坍塌少，已经成为图像合成数据的主力。但它的训练和推理成本明显高于前几类，在纯表格数据的效率上也未必优于CTGAN。

2.3 工具选型对照表与个人偏好

简单梳理一下Python生态里我实际用过且靠谱的工具：

如果让我给一个“今天就要开始做”的推荐组合：表格数据优先从SDV的GaussianCopula入手，跑通后再并行对比CTGAN的效果；图像数据直接选扩散模型加LoRA，性价比最高；时间序列暂时不要指望开箱即用，先用规则生成基线再上TimeGAN。按这个路径走，大概率不会陷入工具选择的泥潭。在第三、四章我会针对表格和图像两类最常见的场景，把完整流程展开讲。

3. 表格数据合成实操：从Faker到SDV再到CTGAN

3.1 环境准备与依赖安装

表格数据合成在Python里主要靠faker和sdv两个库。我建议先建一个干净的虚拟环境再安装，避免把项目依赖弄乱。如果你平时用的是conda，可以这样操作：

bash复制conda create -n synthetic python=3.10 -y
conda activate synthetic
pip install faker
pip install sdv

这里提一下版本问题。sdv库目前已经演进到1.x版本，API和早期0.x版本差别很大，很多网上的老教程已经失效了。如果你在安装后导入时报错，先检查一下sdv.__version__是不是以1开头。CTGAN现在也可以直接作为SDV里的一个模型使用，不需要单独安装ctgan包，这一点会让流程清爽很多。

3.2 用Faker快速生成业务仿真数据

如果业务方只要求“看起来像真实业务数据的文件”，比如做系统联调、搭建演示环境，我通常直接用Faker，半小时就能生成几百万行。下面是一段很典型的生成代码：

python复制from faker import Faker
import pandas as pd
import random

fake = Faker("zh_CN")
Faker.seed(42)
random.seed(42)

def generate_customer(num_rows):
    records = []
    for _ in range(num_rows):
        records.append({
            "customer_id": fake.uuid4(),
            "name": fake.name(),
            "email": fake.email(),
            "phone": fake.phone_number(),
            "province": fake.province(),
            "city": fake.city_name(),
            "credit_level": random.choices(
                ["A", "B", "C", "D"], weights=[0.4, 0.3, 0.2, 0.1]
            )[0],
            "register_date": fake.date_time_between(
                start_date="-5y", end_date="now"
            ),
        })
    return pd.DataFrame(records)

df = generate_customer(100000)
df.to_csv("customers_synthetic.csv", index=False)
print(df.head())

这段代码有两个值得注意的细节。

第一，Faker.seed(42)只能固定单线程生成的随机性，如果后续你用多进程生成，需要在每个子进程里重新设置种子，否则结果不可复现。第二，credit_level的分布我用了带权重的random.choices，这是在用简单规则模拟业务先验，如果完全交给Faker随机生成，各个档位的比例会非常均匀，反而不像真实业务数据。

Faker的局限性也在这里：它只认识了“姓名”“邮箱”“省份”这类独立字段模板，不理解“黑龙江用户的省份和城市是否匹配”“客户注册日期是否总在身份证成年日期之后”这类业务耦合。所有字段间逻辑都需要你自己用代码补充，字段多了维护成本会很高。所以Faker更适合作为基线生成器，而不是复杂项目的主方案。

3.3 让SDV学习字段相关性

当字段间存在真实关联、且手头有一批脱敏后的真实样本可供参考时，用SDV里的GaussianCopula就能把相关性保留下来了。我自己的做法是：先把真实数据里的字段名、类型、约束梳理清楚，再用SDV训练一个模型，让它学习字段间的联合分布。

python复制from sdv.datasets.local import LocalTableLoader
from sdv.metadata import Metadata
from sdv.single_table import GaussianCopulaSynthesizer

# 假设已有真实样本 df_real
metadata = Metadata.detect_from_dataframe(
    data=df_real,
    table_name="customer"
)
metadata.update_column(
    column_name="credit_level",
    sdtype="categorical"
)
metadata.update_column(
    column_name="register_date",
    sdtype="datetime",
    datetime_format="%Y-%m-%d"
)

model = GaussianCopulaSynthesizer(metadata)
model.fit(df_real)
model.save("gc_customer.pkl")

synthetic_data = model.sample(num_rows=50000)
synthetic_data.to_csv("customers_gc.csv", index=False)

这里面最关键的步骤是Metadata的构建。SDV会根据真实数据自动推断字段是数值、分类还是日期，但自动推断不一定靠谱。比如整数型ID可能被当成数值字段建模，日期格式没指定可能解析失败。建议训练前逐个人工检查metadata，把每个字段的sdtype定清楚。

我在多个项目里用GaussianCopula的体会是：它特别擅长保留“年龄和收入正相关”“下单金额和会员等级有区分度”这类字段间的相关性。生成出的数据在单变量分布上未必和真实数据完全重合，但在下游模型训练的效果差距很小。而且训练只要几十秒，后续想再生成多少个样本都只是采样的成本，性价比极高。

3.4 什么时候升级到CTGAN

如果数据里的字段关系比较复杂，比如有很强的非线性交互，GaussianCopula会表现出一个典型毛病：生成数据在分布尾部“过分平滑”，把真实数据里的极端个案抹平了。这时候上CTGAN是更合理的选择。

在SDV里，把模型换成CTGAN只需要几行代码：

python复制from sdv.single_table import CTGANSynthesizer

ctgan_model = CTGANSynthesizer(
    metadata,
    epochs=500,
    batch_size=1000,
    log_frequency=True,
)
ctgan_model.fit(df_real)
ctgan_model.save("ctgan_customer.pkl")

synthetic_ctgan = ctgan_model.sample(num_rows=100000)

epochs是最需要拍的参数，我用一个朴素的经验法则来定位初始值：训练集两万行左右，用epochs=300起步；十万行以上可以考虑epochs=500。但务必记住，CTGAN的epoch越大不等于生成效果越好，很多时候跑到后期反而会出现模式坍塌，生成的数据千篇一律。判断收敛的正确方法是每个固定epoch间隔采样一批数据，计算它和真实数据在几条关键分布上的距离指标，看曲线是否还值得继续训练。关于评估指标，我在第五章详谈。

CTGAN明显更适合几十万行、字段数较多的表格。如果数据只有两三千行，我强烈建议不要用CTGAN，它很容易过拟合到训练样本上，生成大量和原始记录几乎一模一样的行，这已经不仅仅是隐私问题，更会污染下游训练。

3.5 表格数据生成的后处理清单

模型生成出来的数据不是拿来就能用的。我每次都会做几道后处理，虽然繁琐但很必要。

第一是唯一性约束。模型不会理解“customer_id必须唯一”这件事，采样后很可能出现重复ID，必须先做去重或重新赋值。第二是业务规则校验，比如交易时间必须在开户时间之后，性别和称谓不能冲突。我会把规则写成Pandas的查询语句，逐条执行，筛出不合格的行重新生成或直接丢弃。第三是敏感字段再确认。就算来源数据已经脱敏，生成的列里也可能出现极小概率的“撞库”，做一轮和真实数据集的近似匹配去重是物有所值的。

4. 图像与高维数据的合成扩容

4.1 图像增强的边界在哪里

图像是深度模型消耗数据量最大的领域，也是最早被“数据不够”逼到墙角的地方。很多项目起步阶段都会先用翻转、裁剪、色彩抖动这些传统增强手段，这在样本量只差两三倍时确实顶用。但如果你要在工业质检里区分十几种相似缺陷，或者目标检测里需要识别“货架上的饮料瓶被手挡住一半”这类极端姿态，传统增强就不够了。

原因很简单：传统增强不会产生新的语义信息。左右翻转一张猫图还是猫，你无法通过翻转把猫变成狗。而在真实场景里，模型在部署时偏偏会遇到大量训练集里没有覆盖到的组合方式。合成图像数据在这里的作用就是填上这个语义空缺。

4.2 用类条件扩散模型做定向数据补给

目前我自己用得最顺的图像合成方案是类条件扩散模型。你可以直接理解成：给生成模型一段描述和一个标签，它按需求产出一批符合要求的新样本。现在最省事的路径是基于Stable Diffusion的生态，加载不同的LoRA或用ControlNet控制姿态边缘，然后成批出图。

这里给一个我在视觉检测项目里的简化流程。第一步，盘点现有样本里哪个类别数量最少、哪个错误模式最让人头疼。第二步，构造Prompt模板，把主体内容、背景、光照、角度、模糊程度这些因素拆成不同槽位，用程序组合出几百条Prompt。第三步，用这些Prompt批量生成图像，人工粗筛一轮。第四步，把合成图和原始真实图混合，按比例重新划分训练集和验证集，跑一个评测对比。

比如在一个打螺丝的缺陷检测项目里，正品样本很多，但“滑牙”这种缺陷可能只有几十张真实图。我就用Prompt生成了一大批不同角度、不同光照下的滑牙图，再把其中质量不高的用简单规则剔除，最终把这类样本的有效量补到了一两千张，模型召回率提升非常明显。整个过程的细节很多，但从“动手做”的角度，核心就是把Prompt组织好、把生成批次和标签记录对齐，别把图和标注弄混了。

4.3 用LoRA微调出符合业务域质感的数据

通用扩散模型生成的图往往有“一眼AI”的质感，工业项目里直接拿来训分类模型可能不太够。这两年我越来越习惯用LoRA对扩散模型做一次轻量微调，把生成结果拉回业务域的视觉风格。这个方法在很多开源社区也火，比如训练一个“z-image+lora”类的组合，本质就是让模型先学会画“这种风格/这个对象”，再按需求放大产量。

LoRA训练的底模选择一般以Stable Diffusion 1.5或SDXL为主，数据集不大时用几十到几百张业务真实图就能微调出可用的LoRA。实际训练时需要注意两点：一是图像分辨率要统一，最好全部用底模建议的原生尺寸，避免缩放裁剪导致对象变形；二是正则化素材不能少，尤其是LoRA学到的如果是背景纹理而不是目标语义，生成结果会非常灾难。我见过不少新手把“目标检测数据扩充”做成“花花绿绿的乱图”，多数时候就是缺了正则化或标签太粗糙。

4.4 图像合成最容易忽视的标注一致性问题

图像合成数据的标注比生成图本身更考验工程能力。你用一张生成图做目标检测训练，需要有对应的边界框、类别、遮挡关系等标签。如果这些标签是人工在生成图上画的，那成本又上去了；如果靠生成管线自动带出，又必须严格验证坐标和语义是否对齐。

我的经验是尽量按“场景+对象+镜头参数”的模板体系来设计Prompt。Prompt结构越规整，后续标注越容易自动化。比如统一用“一张从侧面拍摄的饮料瓶照片，瓶身标签为可乐配色，货架背景轻微虚化”这种结构，而不是随手写“一堆商店里的瓶子”。虽然自动标注仍有偏差，但配合一个抽检流程，能把标注噪声压到可接受的范围。

5. 合成数据好不好，不能只看“像不像”

5.1 统计层面：分布距离与相关性对齐

很多刚接触合成数据的人，判断质量的唯一标准是把合成数据和真实数据画在同一张图里，“看起来挺像”就通过了。这个做法非常危险，因为肉眼只能看到单变量分布的轮廓，完全看不到字段之间的相关性到底有没有被打破。

我建议至少跑三项统计检查。第一项是每个字段的分布距离，数值型字段用KL散度或KS统计量比较，分类型字段比较各类别概率的误差。第二项是字段相关性矩阵的差值热图，把真实数据的相关系数矩阵和合成数据的相关系数矩阵相减，看哪些字段对的相关性被模型扭曲了。第三项是业务约束违反率，写几个核心规则去检查生成数据，比如“年龄小于18岁时职业不能是正式员工”，统计违规比例。

SDV库本身提供了评估模块，可以算一系列相似度分数。但我想强调一句：这些score只是一个参考，不要看总分高就放松警惕，一定要去定位到底是哪个字段、哪对关系在拖后腿。

python复制from sdv.evaluation.single_table import evaluate_quality

quality_report = evaluate_quality(
    real_data=df_real,
    synthetic_data=synthetic_data,
    metadata=metadata
)
print(quality_report.get_score())

5.2 下游任务层面：以模型论英雄

统计指标良好只是基础门槛，真正决定合成数据能不能用的，是它能不能帮助下游模型取得更好的效果。我的标准测试方法是做一组平行对比。

把原始真实数据切成三份，一份训练、一份验证、一份测试，这里测试集必须是纯真实数据，而且全程不能碰合成数据。然后准备两组训练集，一组只用真实训练集，另一组用真实训练集加上合成数据扩充。分别训练同一个模型、做同样的超参搜索，最后在同一个真实测试集上比较精度、召回、F1等指标。如果加合成数据的结果没有显著提升，那这个合成数据管线就要回头检查。

这个测试有一个关键注意点：合成数据只能用于训练集扩充，绝对不能用合成数据做验证集调参。一旦你用合成数据选了超参，很可能选择一个恰好对合成分布友好、但对真实分布并不友好的配置，最后线上效果会让你百思不得其解。

5.3 隐私与记忆风险检查

生成模型其实存在“记住训练样本”的风险，尤其是数据量小、模型容量大、训练轮次过大的时候。真实数据里本来就包含敏感信息，如果生成数据里直接冒出一条与真实数据几乎一样的记录，那合成数据“隐私安全”的初衷就失效了。

我每次在涉及敏感数据的时候，都会在生成结果里跑一遍近邻查重。具体做法是把真实数据和合成数据都做标准化，然后对每条合成记录找到它在真实数据集里的最近邻，计算欧氏距离或余弦距离，设定一个下限阈值。低于阈值的合成记录直接删除或重新采样。代码上可以用sklearn.neighbors.NearestNeighbors实现，量级不大的时候几秒就能跑完。

注意：千万不要以为用合成数据就一定合规。不同行业的合规要求差异很大，严格的场景下就算生成数据也会被要求证明其满足不可识别的标准。务必把这些工作固化成检查单，而不是靠“应该没问题”来交付。

6. 混合训练与迭代：合成数据怎么真正驱动模型

6.1 和真实数据按什么比例混合

解决了“能不能生成”之后，第二个问题就是“怎么用”。最简单的做法是把合成数据和真实数据直接拼在一起训练，但我看了很多项目的实际效果后发现，混合比例对结果的影响很大。

我自己的常用策略分两种。第一种偏保守：如果真实数据有大概一到五万条，我通常生成同等数量或更少的合成数据，按1:1比例混合。这时合成数据起的是“隐式正则化”作用，能压住模型在小样本上的过拟合。第二种偏激进：如果面对的是严重类别不平衡问题，比如少数类只有几百个样本，我会把少数类合成到几千条，让它在训练集里的占比至少达到10%以上，否则梯度更新基本被多数类主导，少数类学了也白学。

顺带一提，我在几个项目里发现一个有意思的现象：直接按“真实:合成=1:1”混合的基线效果，通常会好于只用真实数据。但如果你把合成数据比例拉到5:1甚至10:1，模型的效果会掉头向下。这是因为过量的合成分布会开始偏离真实分布，模型被“带偏”了。所以混合比例不是越大越好，而是要通过评测找到最优区间。

6.2 两阶段训练是个好用的范式

除了按比例混合，另一个我强烈推荐的做法是“先在合成数据上预训练，再用真实数据微调”。这个思路和语言模型领域的预训练+微调十分相似，适用于合成数据分布与真实分布存在一定差异、但整体趋势一致的情况。

具体操作是：第一步，用全量合成数据训练模型直到损失基本收敛；第二步，冻结模型前几层，用少量真实数据做低学习率微调，把模型从合成分布的偏置拉回到真实分布。这个流程在图像分类和表格分类任务上我都验证过，通常能比纯真实数据训练多带来几个点的提升，尤其在真实样本只有几千条时效果最明显。

6.3 把合成数据纳入持续迭代闭环

合成数据不是一个一次性的离线任务，它应该像一个可调参数的数据泵，嵌在训练流水线里持续运转。每轮模型在真实测试集上的bad case，都可以成为下一轮合成数据的生成目标。

举个例子：你发现模型经常把“轻微倾斜的螺丝”识别成“歪斜螺丝”，这很可能是训练数据里这类过渡形态样本太少。你不需要去满世界找真实样本，只需要微调合成生成器的Prompt或采样范围，把“倾斜角度在5到10度之间”这类样本定向补一批，加入下一轮训练。这种闭环迭代能力，是传统纯真实数据采集做不到的，也是我觉得合成数据最有价值的地方。

7. 常见问题与排查记录

7.1 生成结果“千人一面”或重复度过高

如果合成数据采样出来感觉都是一样的，通常不是模型坏了，而是生成器陷入了某种“省力模式”。表格数据里可以看是不是某些离散字段的类别集中在几个值上，图像数据里则要看是不是生成结果构图高度雷同。

处理表格问题时，我会先调大CTGAN的batch_size，把log_frequency关掉试试看。图像方面则把生成Prompt里的随机项加多，比如不规则角度、不同光照，大多数情况下能缓解。如果还是不行，大概率是训练数据本身多样性太差，这需要回到数据采集环节补足方差，而不是继续盲目调参。

7.2 核心字段相关性丢失

一个高频问题是：年龄和收入的相关性被模型搞丢了，生成数据里出现大量二十岁年薪百万的异常样本。这类问题在GaussianCopula上容易发生，因为它本身对非线性关系的表达能力有限。

解决办法通常是切换模型或者加约束。SDV允许你在采样后做条件采样（condition_on），把“年龄段为20到30岁的样本收入限制在某个区间”这类硬规则加进去。我在处理强约束场景时经常采用“生成一次+规则过滤一次”的方式，尽管会丢弃部分样本，但留下来的数据可信度要高得多。

7.3 模型在合成数据上表现好，真实场景却翻车

我在这个坑上栽过跟头。有一段时间我的合成数据在离线评测集上比真实数据训练高了三个点，我很兴奋地推进了上线，结果线上效果一塌糊涂。后来复盘才发现，问题出在我用于评测的验证集也混入了合成数据。

模型其实同时学到了合成数据里的一些伪特征，而我把验证集也污染了，导致我根本发现不了这个问题。从此我给自己定了一条铁律：验证集和测试集必须保证100%来自真实分布，合成数据只能出现在训练侧。这个原则如果不守住，后面所有评估都不可信。

7.4 生成数据的隐私安全隐患

另一种容易翻车的场景是生成数据“完美还原”了某条真实样本。这种情况在小数据集上尤其常见，因为模型很容易把个别训练样本背下来。排查方法和第五章提到的近邻查重一样，我强烈建议把它固化到每次生成后的流程里，不要只在“涉密项目”里做，所有项目都该做。

8. 一条可直接落地的参考工作流

前面内容篇幅不短，我最后把这套方法论收敛成一条我今天就能照着走的参考工作流，方便你直接抄作业。

第一步，梳理业务需求，确定当前最痛的数据问题是什么：样本太少、不平衡、隐私还是边界覆盖。第二步，拿到一份干净的参考真实数据样本，做字段与约束清单。第三步，按第二章的选型规则选择生成工具，表格用SDV起步，图像用扩散模型起步。第四步，生成第一批数据，跑统计指标和业务规则校验，再按第五章的方法做下游任务平行评测。第五步，把合成数据按1:1或更低的混合比例接入训练，并始终用真实数据做验证测试。第六步，把每轮训练产生的bad case反馈给生成侧，定向补充下一批合成样本。

坦白说，这条路我并不是一开始就走通的。早期我也曾把合成数据当作“打不过就跑”的取巧方案，直到在几个真实项目里看到它在类别不平衡和隐私受限场景下带来的持续性收益，才彻底改变看法。它不是要替代真实数据，而是在真实数据触及天花板的时候，用另一种方式继续驱动模型往前走。合成数据最大的价值，不是“以假乱真”，而是给机器学习训练打开了一条可预期、可控制、可扩展的补给线。