据@karpathy称，nanochat现已具备明确身份并可说明自身能力，包括其为由他构建的nanochat d32、成本约$800且在非英语方面较弱，这些均通过合成数据定制实现，来源: x.com/karpathy/status/1980508380860150038。 他发布了一个示例脚本，展示如何生成多样化合成对话并在中期训练或SFT阶段混入，强调保持数据熵以避免重复性，来源: x.com/karpathy/status/1980508380860150038。 他指出基础LLM本无固有个性或自我认知，需通过精心策划的合成数据显式“加装”，来源: x.com/karpathy/status/1980508380860150038。 对交易者而言，$800的定制成本基准与开源流程，为评估开源AI智能体开发与AI相关代币和AI概念股的采用路径提供具体参照，来源: twitter.com/karpathy/status/1980665134415802554。

据该来源，新研究显示大语言模型在预测人类购买意图方面接近问卷精度，意味着“合成消费者”或将取代真人参与市场调研，从而加速测试周期并降低洞察成本。据路透社报道，AI 相关加密代币在重大 AI 催化（如模型突破与龙头财报）下历来出现上行动能，因此若“合成消费者”应用推进的消息增多，交易者可据路透社所述关注加密市场中的 AI 叙事动能。

根据马克·库班在推特上的观点，企业正加大保护其知识产权力度，并限制AI模型获取和使用专有训练数据，这将直接影响AI工具与合成数据的开发（来源：Mark Cuban，Twitter，2025年5月21日）。此举或将导致高质量AI训练数据供应受限，可能减缓依赖AI的区块链和加密货币项目创新步伐。交易者需关注数据访问相关的监管和企业动态，这些变化可能引发与AI发展相关的加密资产波动。

根据Berkeley AI Research (@berkeley_ai)的消息，BAIR的教员成员如Stuart Russell和Dan Klein讨论了大型语言模型（LLM）的未来发展轨迹以及合成数据对AI发展的影响。他们的见解集中于AI技术进步对交易算法和市场预测的潜在变化，合成数据的使用被强调为提高交易系统准确性和效率的关键因素。

据@DeepLearningAI报道，Cohere的研究人员开发了一种称为主动继承的方法，通过选择具有理想特征的训练示例来优化合成数据的微调。这种方法通过减少不良特征如毒性来提高模型的性能，对于寻求可靠AI生成洞察的交易员来说具有重要意义。