生成式模型合成训练数据，来源与过滤规则怎样披露？

模型论文称训练集包含十万条“合成样本”，方法段却没有说这些样本从哪里来、哪些被过滤，也未解释测试集是否与生成材料重叠。读者无法判断性能提升是来自新信息、重复模板，还是测试题的泄漏。合成不等于没有来源；投稿时要把生成链条和筛选链条一起交代。

先说清合成样本从哪些原始材料出发。可能是公开语料、人工编写提示、已有数据的结构化字段，或另一个模型产生的原始输出。列出其取得方式、许可、版本和涉及个人信息的处理；若不能公开原始材料，说明可供审核的字段与限制。Hugging Face的数据集卡文档建议记录数据集的来源、组成、预期用途和限制，这些信息在合成集里同样必要。不要把“由大模型生成”写成来源说明，因为生成模型本身也有版本和输入条件。

写明生成任务与关键参数：每个原始条目生成多少候选，提示模板如何设计，使用哪个模型版本，是否有人为改写，重复运行的随机设置如何保存。若同一问题被改写成多个表述，它们不是天然独立样本；应在划分训练与测试时按原始问题或来源实体成组处理。若测试集先于合成过程建立，还要核对提示或人工筛选时是否见过测试答案。

过滤规则应能让人理解样本去留。列出空白、乱码、过长、重复、事实不一致、不合规内容等筛除条件，说明规则的先后顺序和每步剩余量。人工审核要写抽样比例、审核者任务和分歧处理；若使用另一个模型评分筛除，说明阈值、评分提示和误删检查。只写“经严格质量控制”无法复建数据集，也无法解释合成集可能放大的偏差。

NIST关于合成内容的报告讨论来源追踪和标记问题。论文不必声称一套追踪技术能证明所有内容真实，但应让审稿人区分原始、人工编辑和算法生成的样本。训练数据表中可分列真实与合成数量、比例和不同来源；模型消融也可展示仅真实数据、加入合成数据后的性能变化。若过滤规则是看过验证集表现后修改，记录这段迭代，不要写成预先固定。

投稿附上允许共享的生成配置、筛选脚本、数据卡和示例；受限原文不可公开时，说明访问条件和替代审查材料。最后让未参与生成的人从一条最终训练样本逆查到种子、提示、生成批次和过滤决定。追不回去的样本不宜被当作透明可复用的数据资源。

参考信息：Hugging Face数据集卡文档；美国国家标准与技术研究院合成内容透明度资料。