GAPO方法通过精准过滤噪声和稳健估计优势值，解决了企业在复杂环境中AI编程的rollout噪声问题，显著提升了模型的准确性和效率，使真实数据成为模型优化的关键。

马蜂窝推出AI旅行助手“AI小蚂”，结合DeepSeek大模型与垂直精调模型，旨在消除旅行中的AI“幻觉”。该助手支持实时问答、行程规划和个性化推荐，用户可通过提问明确需求，生成个性化旅行方案。AI小蚂利用真实数据，缩短规划时间，确保信息准确，提升用户体验。

本研究提出了一种结合仿真与真实数据共同训练的策略，以解决机器人模型训练中真实数据不足的问题。实验结果表明，该方法在不同任务上显著提升了机器人在真实环境中的操作性能，平均提升达38%。

本研究提出了一种新颖的时空图神经网络架构，解决了传统模型忽视空间扩散影响的问题。通过真实数据验证，该模型在捕捉时空依赖性方面表现出色。

本研究提出一种新框架，通过级联扩散模型合成2D和3D细胞显微图像，解决传统细胞分割方法的劳动强度和错误率问题。实验结果显示，结合合成与真实数据训练的模型，细胞分割性能提高了9%。

本研究提出了一种名为Mono2Stereo的立体匹配增强方法，旨在缩小合成数据集与真实数据集之间的差距。通过两阶段训练，该方法显著提升了匹配性能，尤其在零-shot泛化和领域微调方面表现突出。

本研究提出了一种自监督的领域不变预训练前端（DIP），旨在解决语音分离模型在真实环境中因缺乏目标参考数据而导致的领域差距，从而显著提升模型在真实数据上的表现。

本研究提出了一种系统的量化框架，解决了机器学习算法在因果推断中可推广性评估不足的问题，通过真实数据模拟评估模型性能，为实际应用提供指导。

本研究提出了一种加权损失方法，以解决合成数据与真实数据之间的不匹配问题，从而提升模型性能。实验结果表明，该方法在文本分类任务中优于标准交叉熵，为合成数据的有效利用提供了新方案。

本文提出了一种声音-视觉导航的模拟到真实处理方法，包含声学场预测和路标导航。通过在SoundSpaces模拟器上验证设计并收集真实世界数据，测量模拟与现实的频谱差异，提出频率自适应策略以提升真实数据性能。最终，构建真实机器人平台，成功导航至声音对象，展示了智能代理从模拟到现实的潜力。

浏览器里能跑的SOTA小模型在2亿、5亿和20亿级别获胜。团队发现合成数据只在特定领域有用，真实数据潜力未完全发挥。团队开源了一个对标的大型合成数据集。使用经过严格过滤的网络数据后，性能直线上升。合成数据还是比不过真实数据。小模型也要在数万亿token上训练。最终发布的系列模型适合各种设备。对齐和微调技术对小模型效果不理想。

本研究提出了一种新的两阶段框架，通过使用合成图像进行模型微调，然后使用真实数据进行快速适应，提高迁移能力。实验证明该方法在分类任务上的准确率提高高达30%。

本研究探讨了缺失值填充方法对预测性能的影响。结果显示，对于使用强大模型进行预测的真实数据，改进填充方法对预测性能影响较小，投资于更好的填充方法收益有限。