模型崩溃现象与对策综述
1. 摘要
在大量网络规模数据的驱动下，生成式人工智能（GenAI）取得了显著进展，推动了各个领域的多种应用。GenAI的进步促使从业者使用AI合成数据来训练下一代AI模型。不可否认，使用合成数据缓解了日益增长的数据供应需求。然而，它也引入了一个新的关键问题：在模型与数据之间的自消耗循环中，模型最终会崩溃，这引发了对GenAI可信度的更多担忧。近年来，越来越多的研究调查了模型崩溃（MC）现象，并探索了缓解该问题的潜在解决方案。然而，关于MC现象的综述仍然空白。为填补这一空白，本文提供了这些研究的最新概述，以整合和回顾MC在不同应用场景中的进展以及缓解MC的对策。我们还强调了挑战和未来的研究机会。
2. 论文信息
评论：11页，1图，已接受并发表于IEEE AAIML 2026会议论文集。主题：人工智能（cs.AI）；机器学习（cs.LG）。引用格式：arXiv:2608.21366 [cs.AI]（或此版本的arXiv:2608.21366v1 [cs.AI]）。DOI: https://doi.org/10.48550/arXiv.2608.21366。期刊参考：Proceedings of the IEEE International Conference on Advances in Artificial Intelligence and Machine Learning, 2026。相关DOI: https://doi.org/10.1109/AAIML67890.2026.11498213。提交历史：来自Xihao Xie [查看电子邮件] [v1] 2026年6月17日 20:52:59 UTC（122 KB）。全文链接：访问论文：查看PDF，标题为“Reviewing Model Collapse and Countermeasures”，作者Xihao Xie和Beichen Hu。查看PDF HTML（实验性）。TeX源代码。查看许可证。当前浏览上下文：cs.AI 上一个 | 下一个 | 新 | 最近 | 2026-08。更改浏览至：cs cs.LG。参考文献：引用。NASA ADS。Google Scholar。Semantic Scholar。导出BibTeX引用。加载中... BibTeX格式化引用加载中... 数据由...提供。书签：书目工具。书目和引用工具。书目浏览器（什么是Explorer？）。Connected Papers（什么是Connected Papers？）。Litmaps（什么是Litmaps？）。scite.ai（什么是Smart Citations？）。代码、数据、媒体：与本文相关的代码、数据和媒体。alphaXiv（什么是alphaXiv？）。代码链接：CatalyzeX代码查找器（什么是CatalyzeX？）。DagsHub（什么是DagsHub？）。GotitPub（什么是Gotit.pub？）。Huggingface（什么是Huggingface？）。ScienceCast（什么是ScienceCast？）。演示：Replicate（什么是Replicate？）。Spaces（什么是Hugging Face Spaces？）。Spaces（什么是TXYZ.AI？）。相关论文推荐和搜索工具：Influence Flower链接（什么是Influence Flowers？）。核心推荐器（什么是CORE？）。作者、地点、机构、主题。关于arXivLabs：arXivLabs是一个框架，允许合作者直接在我们的网站上开发和分享新的arXiv功能。与arXivLabs合作的个人和组织都接受并认可我们的开放性、社区性、卓越性和用户数据隐私价值观。arXiv致力于这些价值观，并且只与遵守这些价值观的合作伙伴合作。有一个能为arXiv社区增加价值的项目想法吗？了解更多关于arXivLabs的信息。这篇论文的作者中哪些是背书人？| 禁用MathJax（什么是MathJax？）。
模型崩溃现象与对策综述
1. 摘要
在大量网络规模数据的驱动下，生成式人工智能（GenAI）取得了显著进展，推动了各个领域的多种应用。GenAI的进步促使从业者使用AI合成数据来训练下一代AI模型。不可否认，使用合成数据缓解了日益增长的数据供应需求。然而，它也引入了一个新的关键问题：在模型与数据之间的自消耗循环中，模型最终会崩溃，这引发了对GenAI可信度的更多担忧。近年来，越来越多的研究调查了模型崩溃（MC）现象，并探索了缓解该问题的潜在解决方案。然而，关于MC现象的综述仍然空白。为填补这一空白，本文提供了这些研究的最新概述，以整合和回顾MC在不同应用场景中的进展以及缓解MC的对策。我们还强调了挑战和未来的研究机会。
2. 论文信息
评论：11页，1图，已接受并发表于IEEE AAIML 2026会议论文集。主题：人工智能（cs.AI）；机器学习（cs.LG）。引用格式：arXiv:2608.21366 [cs.AI]（或此版本的arXiv:2608.21366v1 [cs.AI]）。DOI: https://doi.org/10.48550/arXiv.2608.21366。期刊参考：Proceedings of the IEEE International Conference on Advances in Artificial Intelligence and Machine Learning, 2026。相关DOI: https://doi.org/10.1109/AAIML67890.2026.11498213。提交历史：来自Xihao Xie [查看电子邮件] [v1] 2026年6月17日 20:52:59 UTC（122 KB）。全文链接：访问论文：查看PDF，标题为“Reviewing Model Collapse and Countermeasures”，作者Xihao Xie和Beichen Hu。查看PDF HTML（实验性）。TeX源代码。查看许可证。当前浏览上下文：cs.AI 上一个 | 下一个 | 新 | 最近 | 2026-08。更改浏览至：cs cs.LG。参考文献：引用。NASA ADS。Google Scholar。Semantic Scholar。导出BibTeX引用。加载中... BibTeX格式化引用加载中... 数据由...提供。书签：书目工具。书目和引用工具。书目浏览器（什么是Explorer？）。Connected Papers（什么是Connected Papers？）。Litmaps（什么是Litmaps？）。scite.ai（什么是Smart Citations？）。代码、数据、媒体：与本文相关的代码、数据和媒体。alphaXiv（什么是alphaXiv？）。代码链接：CatalyzeX代码查找器（什么是CatalyzeX？）。DagsHub（什么是DagsHub？）。GotitPub（什么是Gotit.pub？）。Huggingface（什么是Huggingface？）。ScienceCast（什么是ScienceCast？）。演示：Replicate（什么是Replicate？）。Spaces（什么是Hugging Face Spaces？）。Spaces（什么是TXYZ.AI？）。相关论文推荐和搜索工具：Influence Flower链接（什么是Influence Flowers？）。核心推荐器（什么是CORE？）。作者、地点、机构、主题。关于arXivLabs：arXivLabs是一个框架，允许合作者直接在我们的网站上开发和分享新的arXiv功能。与arXivLabs合作的个人和组织都接受并认可我们的开放性、社区性、卓越性和用户数据隐私价值观。arXiv致力于这些价值观，并且只与遵守这些价值观的合作伙伴合作。有一个能为arXiv社区增加价值的项目想法吗？了解更多关于arXivLabs的信息。这篇论文的作者中哪些是背书人？| 禁用MathJax（什么是MathJax？）。