问题——合成数据正逐渐成为训练智能模型的重要补充。随着人工标注成本上升和覆盖领域受限，越来越多的研发团队开始利用模型生成训练样本来扩充数据。但一个长期被默认的观点正受到质疑：表现最好的模型是否也最擅长生成有效的训练数据？如果这个假设不成立，可能导致训练资源浪费，甚至引发模型性能下降或偏差加剧等问题。
这项研究提醒我们，模型训练的核心不仅在于追求更高的测试分数，更在于建立高质量的数据供给体系。将"强模型"简单等同于"好老师"可能导致资源浪费和性能隐患。在下一阶段的大模型发展中，谁能率先构建可验证、可迭代的合成数据生产与评估体系，谁就更有可能实现成本、效率和可靠性的最佳平衡。