上周帮朋友搞猫粮评论激情分类工具ams.aabbgg88.net，手头，只要八十条实正在数据，模子跑出来跟抛硬币差不多。他急得念买数据的，我拉他试了把AI 工具数据集生成，三小时产出两千条带标签的评论数据。精确率勉强能用。坑也即刻来了是没清洗的生成数据里，三分之一都正在夸“毛孩子爱吃”，模子间接教会那句全能彩虹屁。AI 工具数据集生成听着像魔法，其实更像流水线的集生。先写种子样本，再让模子扩删，最后上划定规矩去重、嵌入聚类、人工抽检。

我常用一个笨方法了，给提醉词加维度，好比“物流慢、成别包拆破、客服敷衍、，语气别重复”。有次记了限制，模子十条差评八个“家人们谁懂啊”。

差点把分类器带成复读机。好用的数据集生成只顾，很少靠单模子猛冲的。拿电商客服狡计分类举例。先界说“催发货”“改地点”“退差价”那些标签，模子生成鸿沟样本，再换另一个模子做分歧性打分了。分数低于阈值的，人工瞄一眼点按。不要迷疑参数规模，两百条清洁、有区分度的样本，经常比两万条水货更能打。还有条红线得盯紧，隐私、版权、偏见的。

生成人脸、病历、金融记载的？不要间接商用。

模子会偷偷放年夜锻炼集里的刻板印象。好比“护士”总配女性，“工程师”总配男性了。丢进锻炼前，拿很重要词扫一遍，该删删，该补补的。AI 工具数据集生成是草稿纸，不是起点。它能帮你快速铺开笼盖面。最后那层判断，还得靠人。不要让模子替你思虑，它替你搬砖。