Adaption Labs генерирует синтетические данные из описания задачи, убирая недели ручной разметки

Обычный путь подготовки обучающих данных выглядит так: команда берёт корпус, который уже есть, и неделями фильтрует, размечает, переформатирует его под целевую задачу. Adaption Labs утверждает, что такой подход ограничивает качество модели тем, насколько исходные данные совпадают с нужным поведением. Для узкоспециализированных задач в медицине, праве или финтехе нужный сигнал обычно разбросан по внутренним системам, неструктурированным текстам и логам. Собрать из этого фокусированный датасет вручную дорого и долго.

Существующие инструменты для синтетических данных автоматизируют генерацию, но только после того, как человек уже задал схему, распределение задач и стратегию генерации. Invent a Dataset стартует на шаг раньше: с самого поведения, которое модель должна освоить.

Как это работает через API?

Механика задокументирована и конкретна. Один вызов datasets.invent создаёт датасет и запускает генерацию, сразу возвращая статус running. Далее вы опрашиваете datasets.get, пока статус не станет succeeded или failed, и скачиваете строки.

Основной инструмент управления: коды доменов. Актуальные коды запрашиваются через datasets.invent_domains. Затем вы передаёте значения вроде medical, при необходимости сужая поддоменом, например medical.symptoms_diagnosis. Обязателен хотя бы один домен или поддомен. Несколько доменов можно комбинировать в одном запуске.

Поддерживаются два формата выходных данных:

• instruction_dataset (по умолчанию): пары «промпт и ответ» для дообучения (fine-tuning, обучение модели на ваших примерах под узкую задачу) с учителем.
• preference_pairs: пары «хороший ответ и плохой ответ» для обучения предпочтениям, например методом DPO (Direct Preference Optimization, когда модель учится выбирать лучший из двух ответов).

Три параметра, которые нужны в продакшене

• estimate=True рассчитывает стоимость запроса и показывает, хватит ли кредитов, ничего не создавая и не списывая.
• prompt принимает до 10 000 символов и задаёт содержание строк: чему именно модель должна научиться.
• idempotency_key (до 255 символов) делает безопасным повторный запрос при сбое сети: возвращает исходный датасет вместо запуска дублирующего.

Количество строк ограничено лимитом тарифного плана. Результат скачивается в форматах JSONL, JSON, CSV или Parquet. Файл принадлежит вам, и обучать на нём модель можно где угодно.

Локализация и языки: зачем это нужно русскоязычным командам

Параметр language_expansion работает в двух режимах:

• translate: создаёт вариант каждой строки на целевом языке.
• localize: создаёт вариант для конкретной пары «страна и язык», используя локальные формулировки, а не буквальный перевод.

Параметр sample_rate (от 0.01 до 1) задаёт, какая доля строк будет расширена. Кредиты списываются по количеству итоговых строк, а не исходных. Неподдерживаемые языковые коды возвращают ошибку 400 с примерами допустимых значений.

Для русскоязычных команд, работающих с медициной, правом или финтехом, режим localize особенно ценен: он позволяет получить синтетические данные, адаптированные под российские реалии, без ручного перевода и доработки каждой строки.

Связка с AutoScientist: от описания до обученной модели

Invent a Dataset, первая половина цикла. Идентификатор датасета передаётся напрямую в autoscientist.create, который совместно оптимизирует данные и рецепт обучения под вашу цель. AutoScientist запущен в мае 2026 года и является тренировочным компонентом платформы Adaption.

По данным Adaption Labs, AutoScientist превосходит конфигурации, подготовленные собственными исследователями компании, в среднем на 35 %. Показатель побед (win rate) вырос с 48 % до 64 %. Эти цифры получены на внутренних доменных оценках по восьми вертикалям. Размеры датасетов варьировались от 5 000 до 100 000 строк, архитектуры для дообучения предоставлены Together AI.

dataset = client.datasets.invent(
    prompt="Classify patient symptom descriptions into ICD-10 codes, provide reasoning for each classification",
    domains=["medical.symptoms_diagnosis"],
    format="instruction_dataset",
    language_expansion={"mode": "localize", "targets": [{"country": "RU", "language": "ru"}]},
    sample_rate=1.0,
    estimate=True
)

Что делать с этим прямо сейчас, по ролям

Автору Дзена и копирайтеру. Если вы дообучаете модель для генерации контента в определённом стиле или нише, Invent a Dataset позволяет описать нужное поведение словами, а не собирать сотни примеров вручную. Режим localize даст данные, звучащие по-русски, а не как Google Translate.

Маркетологу. Для команд, строящих чат-ботов или классификаторы обращений, функция снижает стоимость входа: вместо недель разметки реальных диалогов вы получаете синтетические данные за часы. Но помните, что синтетика требует проверки на реальных кейсах.

Предпринимателю в РФ и СНГ. Инструмент доступен через API и Python SDK, генерация идёт на серверах Adaption Labs, поэтому прямых санкционных ограничений на использование API в документации не указано. Из российских альтернатив для генерации обучающих данных стоит смотреть на инструменты вокруг YandexGPT и GigaChat, но они пока не предлагают генерацию датасета из описания задачи как единый вызов API.

Что понадобится

• Аккаунт в Adaption Labs (регистрация на сайте платформы).
• Кредиты на генерацию (тариф зависит от плана).
• Python SDK (adaption) или доступ к REST API.
• Описание целевого поведения модели на английском языке (до 10 000 символов).
• Для локализации: языковые и страновые коды (например, ru и RU).
• Время: генерация асинхронна, от минут до часов в зависимости от объёма.

Пошаговая инструкция

1. Установите SDK:

pip install adaption

1. Получите список доступных доменов:

domains = client.datasets.invent_domains()

1. Опишите поведение в параметре prompt. Будьте конкретны: не «медицинский бот», а «классификация жалоб пациентов по группам симптомов с объяснением логики на русском языке».

2. Запустите генерацию с estimate=True, чтобы увидеть стоимость:

dataset = client.datasets.invent(
    prompt="ваше описание",
    domains=["нужный_домен"],
    format="instruction_dataset",
    estimate=True
)

1. Убедитесь, что кредитов хватает, и запустите без estimate:

dataset = client.datasets.invent(
    prompt="ваше описание",
    domains=["нужный_домен"],
    format="instruction_dataset",
    idempotency_key="unique-key-123"
)

1. Опрашивайте статус:

status = client.datasets.get(dataset.id)

1. Скачайте готовый файл в нужном формате (JSONL, JSON, CSV, Parquet).

2. При необходимости передайте ID датасета в AutoScientist для автоматической оптимизации обучения:

run = client.autoscientist.create(dataset_id=dataset.id)

Для команд, которым нужна быстрая итерация на узкоспециализированных задачах без бюджета на месяцы разметки, Invent a Dataset закрывает конкретную дыру: от «я знаю, чему хочу научить модель» до «у меня есть файл для дообучения» за один API-вызов.