生成合成数据是很重要的一步，但其效用取决于数据质量以及其与LLM工作流程的配合程度。本章讨论了评估和问题解决的重要阶段。你将学会系统地评估你生成的合成数据，并应对常见的运行中遇到的问题。

本章将涉及：

• 量化 (quantization)分析的方法，使用特定指标，比如困惑度（表示为$PPL$）或多样性分数（如$D_s$）。
• 定性审查的技巧，以确保内容连贯且相关。
• 识别并减少你生成的数据集中的偏见的方法。
• 管理事实准确性的方式，并减少模型生成不准确内容的情况。
• 理解模型性能下降（有时称为模型崩溃）的原因，以及如何应对。
• 确保你的合成数据具备原创性和多样性的技术。
• 制定一个实用的验证核对表，用于指导你的评估流程。

在本章结束时，你将有能力不仅生成合成数据，还能批判性地评估其是否符合预期用途，并处理其应用中可能出现的问题。