人形机器人要完成“坐下”“走到指定物体”这类任务，需要把像素和自然语言映射到全身关节指令，而这类配对数据此前只能靠遥操作或穿戴设备逐条录制，一小时数据至少耗一小时人力。HALO把数据生成搬进仿真：在一千个程序化生成的住宅里合成第一人称视觉—语言—动作数据，再用分层系统把自由语言请求拆成子任务、生成五秒全身运动计划并由感知跟踪器执行。训练中从未见过真实住宅，系统零样本迁移到六个未扫描、未建图的真实家庭，360次试验成功率91%。
英伟达把世界基础模型的训练、优化与推理打包成 Cosmos Framework，并配上一组可由 AI 智能体调用的技能和可直接运行的检查点。此前开发者要把模型适配到自己的传感器、动作空间和数据上，再让它稳定地进到应用里，两件事各自都要重做一遍。新放出的 Cosmos 3 Nano 仿真配方覆盖自动驾驶、机器人和手术三类场景：Transfer-Auto 参考运行在四块 GPU 上生成七路 720p 视频与 99 帧激光雷达，Sim-Auto 则把它蒸馏成少步因果模型，按驾驶策略的输入逐步生成观测并回送给策略，用于闭环评估。
面向指令微调的目标数据选择，QSGS把候选样本的梯度相似度组织成一张图，用子模图割同时拉近目标任务、压低子集内部冗余，再用梯度引导合成补上选不出的方向。在MMLU、BBH、TydiQA三个基准和Llama-2、Llama-3、Mistral三个模型上，0.5%预算（27万条中取1350条）的QSGS在Mistral-7B上追平或超过全量数据表现，并在所有基准上优于最强基线。
曼尼普尔文（Meitei Mayek）手写识别此前只做单字分类，而最常见的混淆恰恰取决于字符在词中的位置。研究者用孤立字符库合成整词训练数据，配合卷积编码器、双向LSTM与CTC直接读整词图像，在5000个合成测试词上取得0.24%的字符错误率和1.57%的词错误率；在一位母语书写者用平板写的100个未见真实词上，字符错误率为2.96%、词错误率为16.0%。
一个在合成Wiener-Hammerstein系统上离线预训练的元模型，可直接从新系统的输入输出片段零样本预测输出，在非线性辨识基准上取得与主流方法相当的精度，且只微调输入侧就能把分布外连续搅拌反应器的预测误差从1.249降到0.242。
该工作改造以物体为中心的三维生成器 Trellis 2，用随相机距离变化的自适应分块、把图像特征提升到可见表面并区分自由空间与遮挡区的显式二维—三维条件，以及约 4000 个合成室外场景的监督，从单张图像生成完整场景网格；在 Tanks and Temples、ScanNet++ 与 121 张野外图像上，几何精度与感知质量均优于全部基线。
作者提出 ToolRACER，一个由用户、助手、工具三个仿真智能体组成的三阶段合成数据流水线，通过注入用户侧与环境侧对抗行为并经四重校验与精炼循环，构建了覆盖六个领域、55 种人格、5.6K 条轨迹且约 66% 为失败易发场景的 ToolRACERBench；在该数据上微调的小模型在 τ-bench、BFCLv3 与 ACEBench 上取得优于基线训练集的端到端表现。
作者构建 InvestigationWorlds：从 PACER 检索 100 个已决简易判决动议的真实联邦民事案件，用经律师验证的生成流程在原始证据卷宗周围合成带角色标签的文件，使同一语料支持多个自洽但互不相容的事实假说，仅一个与法院采纳的假说一致；在 100 个案件上评估六个前沿智能体，发现它们虽能检索到相关证据，却常锁定错误假说，最高案件解决率仅 33.3%。
ServiceNow CoreAI 提出 AutoSynthData，用目标模型的失败与更强教师的成功来定位能力缺口，据此生成并校验新的可执行任务（系统规范、用户提示、验证器三件套），在 EnterpriseOps Gym 的 Hybrid 域用 Gemma-4-26B-A4B-it 与教师 Qwen3.8-27B 生成 2000 条样本（约 18 小时），微调后最佳检查点（第 5 轮）使平均 Pass@1 提升 7.2 个百分点（相对提升 35%）、验证器成功率从 63.01% 升至 68.55%，并弥合 Gemma 与参考模型之间 59% 的 Pass@1 差距；在 ITSM 域用教师 DeepSeek-V4.1-Flash 生成 1994 条样本（66 小时），平
Prompt2Skill 提出一个多智能体框架，仅从自然语言任务描述出发，由 Data Agent 推导任务规范并通过检索、改写与合成构建代理数据池，再由 Skill Agent 用执行反馈、反思式编辑和配对统计筛选迭代优化技能，在问答、阅读理解、表格操作与数学推理四个基准、五个开源与商用目标模型上平均相对优于直接提示 36.1%、优于现成技能 83.0%，且未出现显著退化。