重點摘要

PHI 逼出合成資料路線　醫療紀錄雖是最有用的評測素材，卻受合約與法規限制，不能保留、去識別化或做任何衍生用途，逼得 Anterior 走向自己生成資料這條路。

直接生成會 mode collapse　一次要求 LLM 寫出完整病歷（動輒三百頁以上）很容易讓內容失去多樣性；問題根源在於預訓練與後訓練的目標本來就不是為了創意與多樣性設計。

反轉推理流程找多樣性　把「資料＋政策→推理→結論」的正向流程倒過來，先抽樣一個結論、回推可能的推理路徑，再據此生成資料，藉此拉高輸入的多樣性。

政策先變成決策樹　把核准或拒絕的判斷邏輯（例如 CPAP 器材的醫療必要性審查）寫成符號化的決策樹，才能針對同一個結論，可決定性地抽出不同推理路徑。

臨床專家掌握主導權　生成流程做成 skills 式的 agent harness，臨床專家能隨時介入調整生成過程，甚至自己新增技能檔案支援新文件類型，完全不需要工程師改動。

成果已見成效　目前約九成資料集已是合成資料，盲測時臨床醫師只有六成機率能分辨真假，也讓團隊能在正式上線前就先模擬邊角案例。

值得記的話

What do you do when the data set you most need is also the data you're least allowed to keep?

最需要的資料，恰好是最不能留住的資料

02:55

It's really hard to generate diverse, realistic-looking synthetic records.

要生成多樣又逼真的合成紀錄，其實很難

03:59

In a blind review, clinicians were only able to distinguish synthetic from real about 60% of the time.

盲測中，臨床醫師只有六成機率能分辨資料是真是假

14:25

The data you need is ephemeral, sensitive, or even expensive to label.

你需要的資料，可能是稍縱即逝、敏感，或標記成本很高

16:18

時間軸　11 段

名詞與人物　7 個

提到但沒有展開

• Frontier Lab 也在用合成資料做預訓練、強化學習、電腦操作與 agent 的訓練，講者形容這是業界共同在意的熱門題目，但本場沒有進一步展開。
• 講者提到醫療內外都已經有論文成功用 LLM 產生合成資料，細節同樣沒有多談。
• Anterior 內部把這套 skills 式的 agent harness 也用在其他工作流程上，內部與正式環境都有，但本場沒有細講是哪些。
• 講者說熟悉 Synthea 的人會發現做法類似：一樣是從符號化的因果狀態表示去抽樣情境，業界已有幾個團隊用這類符號表示來拉高合成資料的多樣性。