我们都知道，大模型的训练需要大量的训练数据。而合成数据 - synthetic data作为真实数据的补充，已经成为训练数据中的重要组成部分（甚至未来合成数据的占比可能会达到~99%）。
今天看到腾讯AI实验室的一篇paper，为创造合成数据提供了新的思路：
Scaling Synthetic Data Creation with 1,000,000,000 Personas
下载地址https://arxiv.org/pdf/2401.02524
顾名思义，作者通过十亿个Persona人物角色（约占世界人口13%）来为合成数据scale up：we introduce Persona Hub – a collection of 1 billion diverse personas automatically curated from web data。
通过这个Persona Hub，组建了一个由形形色色的不同角色组成的世界，这些人物角色作为世界知识的载体，可以大规模地生成各种场景下的合成数据。
合成数据的背景
合成数据对于训练和优化 LLMs 至关重要，现在人们会通过prompt来让LLM产出合成数据。但现有方法在批量生成多样化、高质量的数据方面存在局限。
为此，文章作者提出了基于人物角色Persona的方法，构建了10亿个Persona，创建了Persona Hub，即角色仓库，里面包含“搬家公司司机”、“科学研究员”、“音乐家”等多样化角色。这样一来，不同Persona利用LLM中的多种视角来创建丰富的合成数据。
Persona Hub 的创新与构建
Persona Hub 是一个包含十亿个虚拟人物角色的集合，这些人物角色拥有不同的性格、背景和经历。构建 Persona Hub 的两种主要方法为：
Persona Hub 创建合成数据
Persona Hub构建完毕，作者将Persona融入到不同的数据合成的prompt的适当位置，就可以批量生成多样化的合成数据。
作者展示了其在多个场景下创造合成数据的能力：
一个生成数学题目的Demo
作者展示了如何使用一个Persona来引导LLM创建与该Persona相关的数学问题。例如，当给定一个对计算语言学感兴趣的语言学家人物角色时，LLM会创建一个与计算语言学相关的数学问题。此外，演示还强调了即使在提示中添加了Persona，仍然可以轻松指定所需数学问题的重点（例如，几何问题）或难度（例如，奥林匹克级别的问题）。
Persona Hub 的潜在影响与未来展望
Persona Hub 的出现预示着合成数据领域的一次范式转变。它不仅能提升 LLMs 的训练效果，还能在聊天机器人、虚拟助手、模拟现实世界个体等多个领域发挥作用。此外，Persona Hub 还可为 LLMs 提供全面的记忆访问，使对话更加连贯和合理。
