[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"glossary-synthetic-data::ru":3,"gloss-cluster-synthetic-data::ru":26,"gloss-next-synthetic-data::ru":9},{"slug":4,"category":5,"name":6,"definition":7,"meta_desc":8,"faq":9,"schema_markup":9,"related":10},"synthetic-data","core-ai","Синтетические данные (Synthetic Data)","Синтетические данные — обучающие или оценочные данные, сгенерированные моделью либо алгоритмом, а не собранные в реальном мире. Команды используют их, чтобы запустить задачу, когда реальных примеров мало, они дороги или чувствительны к приватности: например, сильной моделью генерируют тысячи размеченных примеров, чтобы дообучить меньшую и дешёвую, или создают крайние случаи для тестирования. Сделанные хорошо, они мощный ускоритель: современные модели всё чаще обучают на тщательно отобранных синтетических данных для рассуждений и кода. Сделанные небрежно — они привносят предвзятости и ошибки генератора и создают риск коллапса модели. Для SaaS-разработчиков синтетические данные полезнее всего для холодного старта оценок, усиления редких классов и дистилляции поведения большой модели в маленькую, которую вы можете себе позволить. Практические ограничители: всегда проверяйте выборку по реальным данным или силами человека, держите реальные примеры в смеси и никогда не считайте синтетические метки истиной в последней инстанции. Относитесь к ним как к строительным лесам, которые сдвигают дело с места, а не как к замене настоящего сигнала.","Синтетические данные — обучающие или оценочные данные, сгенерированные моделью, а не собранные: выручают, когда реальных примеров мало или они дороги.",null,[11,14,17,20,23],{"slug":12,"name":13},"data-augmentation","Аугментация данных",{"slug":15,"name":16},"distillation","Дистилляция знаний (Knowledge Distillation)",{"slug":18,"name":19},"fine-tuning","Дообучение (Fine-Tuning)",{"slug":21,"name":22},"llm-benchmark","Бенчмарк LLM (LLM Benchmark)",{"slug":24,"name":25},"model-collapse","Коллапс модели (Model Collapse)",[27,31,35,39,42,45,48,51,54,57,60,63],{"slug":28,"category":5,"name":29,"updated_at":30},"agentic","Агентный AI (Agentic AI)","2026-08-24T02:46:36+00:00",{"slug":32,"category":5,"name":33,"updated_at":34},"alignment-tax","Налог на выравнивание (Alignment Tax)","2026-08-24T02:46:37+00:00",{"slug":36,"category":5,"name":37,"updated_at":38},"artificial-intelligence","Искусственный интеллект (ИИ)","2026-08-24T02:46:38+00:00",{"slug":40,"category":5,"name":41,"updated_at":30},"attention","Внимание (Attention)",{"slug":43,"category":5,"name":44,"updated_at":38},"beam-search","Лучевой поиск",{"slug":46,"category":5,"name":47,"updated_at":34},"benchmark-contamination","Загрязнение бенчмарка (Benchmark Contamination)",{"slug":49,"category":5,"name":50,"updated_at":34},"catastrophic-forgetting","Катастрофическое забывание (Catastrophic Forgetting)",{"slug":52,"category":5,"name":53,"updated_at":38},"computer-vision","Компьютерное зрение",{"slug":55,"category":5,"name":56,"updated_at":34},"constitutional-ai","Конституционный ИИ (Constitutional AI)",{"slug":58,"category":5,"name":59,"updated_at":30},"context-window","Контекстное окно",{"slug":61,"category":5,"name":62,"updated_at":38},"deep-learning","Глубокое обучение",{"slug":64,"category":5,"name":65,"updated_at":30},"diffusion-model","Диффузионная модель (Diffusion Model)"]