无线感知与合成数据技术 - 无线感知技术通过捕捉无线信号的反射特性，突破传统感官限制，实现无感监测与精准解析，重塑人机交互边界 [1] - 无线感知使机器能够感知墙壁后的动静、数米外的动作及人类难以察觉的微妙变化 [1] 大模型与物理世界交互 - 构建能够理解物理原理（如电磁场、光学、声学）并与物理世界交互的大模型面临数据稀缺挑战 [2] - 语言和视觉大模型可从海量文字和视频数据中学习，但物理世界交互数据采集难度大，难以支持大模型训练需求 [2] SynCheck 合成数据解决方案 - 北京大学与匹兹堡大学团队提出 SynCheck，通过生成与真实数据质量相近的合成数据解决数据稀缺问题 [3] - 研究提出两个创新质量指标：亲和力（衡量与真实数据的相似度）和多样性（评估覆盖真实数据分布的范围） [5] - 现有无线合成数据普遍存在亲和力不足问题，导致标签错误和任务性能下降 [9] 合成数据质量评估方法 - 研究通过贝叶斯分析和性能指标建立理论支撑的通用评估框架，引入“边际”概念实现跨数据集公平比较 [7] - 动态校正合成数据分布偏差，使模型性能保持稳定提升，最佳情况下性能提升达12.9% [13][15] 合成数据应用与性能突破 - 采用半监督学习框架结合合成与真实数据，过滤低亲和力样本并分配伪标签，无需修改生成模型流程 [11] - SynCheck 在质量无关方法导致性能下降13.4%的最坏情况下仍能实现4.3%的性能提升 [13] 学术界观点与未来方向 - 学术界对合成数据存在分歧，部分学者警示“模型崩塌”风险，另一部分认为验证器机制可规避风险 [17] - 研究团队未来将推动无线大模型训练范式革新，探索多元数据源融合及通用预训练框架 [18]