Autodata：透過代理型資料科學家實現自動化高品質合成資料生成與元優化技術

本研究提出 Autodata 框架，將 AI 代理轉化為能自我優化的資料科學家，藉由代理型自我指令與元優化技術，顯著提升合成資料品質，並強化模型在複雜領域的推理表現。

Problem

高品質訓練與評估資料的取得成本極高，且傳統合成資料生成方法往往難以滿足專業領域的複雜推理需求，限制了人工智慧模型進一步提升性能的可能性。

提出 Autodata 通用框架，讓 AI 代理模擬資料科學家的工作流程。透過「代理型自我指令（Agentic Self-Instruct）」與「元優化（Meta-optimization）」技術，使代理能持續迭代學習，產出品質更高的訓練數據。

在電腦科學研究、法律推理及數學推理等實驗中，Autodata 產出的資料品質顯著優於傳統方法。此外，針對資料科學家代理本身進行元優化，能帶來更大幅度的模型性能成長。

本研究提供了一種將推論算力有效轉化為高品質訓練資料的新途徑。這項技術進展具備改變 AI 資料建構典範的潛力，能大幅優化未來自動化模型訓練的效率與品質。