NVIDIA

【背景】NVIDIA研究科学家Dhruv Nathawani在2026年AI Engineer大会上展示了一条基于Wikidata知识图谱的合成数据管线，旨在训练大模型调用搜索工具而非凭记忆作答。该管线通过随机游走获取实体路径并转化为多步搜索谜题，经Tavily实时搜索生成轨迹后用于监督微调。报告显示，5万个种子数据经严格过滤保留7千条高质量记录，使模型在BrowseComp基准上的表现从0%提升至30%。然而，Nathawani也坦承验证环节的困难：即使源自Wikidata的谜题，其答案也可能因事实过时而失效，导致生成器与验证器同时给出错误结果。这一案例揭示了合成数据在解决“幻觉”与保持“时效性”之间的张力，表明单一模型评分或静态源图无法确立数据集质量，需结合确定性检查、人工复核与动态事实证据。