谷歌DeepMind「粪坑淘金」全新方法，暗网毒数据也能训出善良模型

数据是AI的粮食，「一顿不吃饿得慌」，数据供给充足，模型才能全力以赴。

我们如今用着的强大模型，背后使用了互联网上的海量数据用于训练。

随着硬件与成本的限制，研究者逐渐意识到：光靠堆数据已经难以为继，能否更好地利用数据，才是决定未来性能的关键。

然而，有三个棘手的问题一直难以解决：

第一，公网上可供使用的数据正在逐渐枯竭，预计十年内就会用完。

第二，大量用户生成的内容虽然存在，但含有隐私信息、攻击性语言或版权内容，无法直接使用。

第三，合成数据生成虽是出路，但往往存在多样性不足、与真实数据差距大等问题。

为了解决这些问题，谷歌DeepMind研究团队于昨日公开发表了一篇研究论文：《Generative Data Refinement: Just Ask for Better Data》。

论文地址：https://arxiv.org/pdf/2509.08653

这篇论文的第一作者是华人Minqi Jiang，今年也从DeepMind跳槽去了最近处于风口浪尖的Meta Superintelligence Labs。

回到论文。这篇论文提出了一种新方法：生成式数据精炼（Generative Data Refinement, GDR）。

它的核心思路是——不直接生成全新的数据，而是利用大模型把原始数据「净化」、改写的同时保留有用信息，去掉隐私或有害部分。

换句话说，GDR就像一个「数据清洗器」，既能让脏数据变干净，又能保持原本的知识价值。

GDR的基本思路

传统的合成数据生成依赖大模型反复采样，但容易产生同质化输出，多样性不足。

而GDR采取了颠覆传统思路的方法：

输入部分使用真实世界数据（例如代码、对话、网页内容），处理部分使用大模型作为生成器，按预设规则改写（比如去掉隐私、降低毒性），最终输出一个精炼数据集，既安全又保持原始多样性。

论文中较为详细地介绍了GDR的具体工作流程：

第一步，输入数据：

包括原始文本、代码、对话或网页数据。

数据中可能含有PII、毒性语言、或其他不可用于训练的内容。

第二步，Prompt构造：

给大模型设计一个Prompt，告诉它要做什么：

如果是匿名化任务：提示要求「识别并替换掉敏感信息，用安全占位符替代」；

如果是去毒化任务：提示要求「删除冒犯性表达，但保留事实性内容」。

提示可以是零样本，也可以加入示例，甚至通过微调来增强模型能力。

第三步，生成改写：

模型根据提示，对每个输入样本生成一个新的版本。输出的目标是安全、合理、保留上下文信息。

第四步，验证与筛选：

对生成结果运行验证（例如再跑一次PII检测、或用毒性分类器评估），过滤掉不合格的结果，确保数据集安全。

最后一步，得到精炼数据集D′，可作为训练数据反复使用。

数据多样性依然保持住了，甚至优于直接合成数据。

这种方法有三大优势：

• 继承真实数据的多样性，因为每条合成数据都「锚定」在一个真实样本上。
• 避免模式坍缩，不像单纯的合成数据那样，容易收敛到几种套路化表达。
• 适配不同任务，只需换提示词或微调，就能针对匿名化、去毒化等不同场景。

当然，GDR的代价是需要额外的计算。最坏情况下，相当于再训练1/3次模型。

但一旦得到干净数据，它可以反复使用，长期来看非常划算。

为了验证GDR的效果，文章进行了三个不同角度的实验。

实验一：代码匿名化

代码库中常常藏着敏感信息，例如邮箱、密码、API Token、私有URL。

这些信息如果进入训练数据，不仅存在泄露风险，还可能导致模型在输出时「背诵」隐私。

传统做法是DIRS服务：只要检测到可能的PII，就直接丢弃整个文件。但这种「宁可错杀」的方式，可能导致数百万行有价值的代码被浪费。

研究者在120万行、479个开源库上对比了GDR与DIRS：

• 行级别标注结果表明：GDR能更精准地找到PII，并用占位符替换；
• DIRS误判率高，大量无害数据被误删；
• GDR虽然有少量误报（比如把安全的变量名也替换掉），但这些大多可以通过静态分析检测并修复。

实验结果表明，GDR在保持数据可用性方面，远优于DIRS服务这类传统方法，是大规模代码匿名化的可行方案。

实验二：对话去毒化

如仇恨言论、性别歧视和恶俗等有害内容，在网络上比比皆是。

直接训练这样的数据可能让模型学会错误的价值观，甚至输出危险内容。

研究团队选择了臭名昭著的4chan /pol/讨论区（某种程度上类似国内孙笑川吧的一个充满恶意内容的互联网社区）数据集，抽取了10万个对话对（pol100k），然后用Gemini Pro 1.5零样本提示进行GDR去毒化。

• Perspective API毒性评分：pol100k为0.19，GDR精炼后降到0.13，甚至低于同模型生成的SyntheticChat（0.14）。

UMAP可视化显示，精炼数据的分布依旧接近真实数据，而纯合成数据出现了明显的模式坍缩。

研究者让模型在去毒化数据上微调后，发现它仍然能保留世界知识，并且生成风格更接近人类。检测系统甚至有31%的概率分不清它和人类对话。

实验结果表明，GDR清洗有害数据的同时，也保留了其中包含的知识，「出淤泥而不染」，「择善而从」。

实验三：多样性对比

研究者使用了ROUGE-2和嵌入余弦距离指标比较pol100k、精炼版和SyntheticChat。

GDR精炼后的数据，多样性不仅比SyntheticChat高，还略微超过了原始数据。

实验结果表明，GDR不仅起到了安全过滤的作用，还顺带增强了数据的多样性，一举多得。

GDR：变废为宝的「点金术」

GDR就像数据世界的「净水器」，把杂质过滤掉，却让养分完整保留。

它把原本的脏数据变成「可用燃料」，为大模型的发展输送源源不断的清洁能量。

它是AI时代能变废为宝的「点金手」。

迈达斯之手

在数据枯竭与隐私风险的双重挑战下，GDR提供了一条出路。

未来的大模型的持续进化，离不开这些人类的巧思与苦功。

参考资料：

https://arxiv.org/abs/2509.08653

https://x.com/MinqiJiang/status/1967685550422598067

https://www.linkedin.com/in/minqi-jiang-585a6536

文章来自于微信公众号 “新智元”，作者 “新智元”