Skip to main content
用真实病历测试一条摄入管线，在问到关键问题之前一直是好用的：那一格读对了吗？是哪种版式 现象让这份文件变难？同一个人的 Garmin 流和化验单有没有合并成一份档案？ 真实文件无法在规模上 回答这些问题——没有真值，没有具名的难度，也没有合法的分享方式。 mirobody-gen 就是为回答这些问题而建的。它是一个 独立的生成器项目，职责是产出广泛、拟真、完全可溯源的个人健康数据：60 个虚拟人、8 种原型、 跨多年的事件时间线，纵向一致地出现在四条交付通道上——而这四条通道正好就是 Mirobody 的四条 摄入路径。一个合成人因此可以端到端地跑完整个引擎。

​
两层真值

一次构建中的每份文件都带两层独立的真值：
  • 印刷层——纸上写了什么（项目名称、值、单位、参考范围、标记；即 MedRepBench 五字段）；
  • 语义层——它意味着什么（指标键、LOINC 编码、UCUM 单位、观测日期）。
提取可以对着第一层评分，标准化对着第二层，而两层之间的差异本身就是一个可量化的失败。 这是只有转写真值的语料给不了的性质：在 unit.missing 这类陷阱下，一次忠实的转写合法地 让印刷单位为空，而语义真值仍然说这一行是 mmol/L 的血糖——于是不变性检查必须放在语义层。

​
具名的难度与最小对照对

每份文件声明它携带的陷阱类。分类学从对 627 份真实文档的研究中蒸馏出 62 类 （unit.glued_to_value 出现在 22% 的真实文档上，unit.in_header_or_reference_only 在 9%）。 对每一类可造的陷阱，生成器把同一个人同一次就诊渲染两遍——干净版与带陷阱版——于是”这种现象 代价多大”成为一个配对的因果估计，而不是观察性相关。

​
服从生理学的数值

没有任何值是在拟合了患者数据的分布上采样出来的。参考区间注明 WS/T 404（生化）与 WS/T 405（血细胞分析）系列出处；个体内/个体间变异按公开的 EFLM/Westgard 表；派生量 （BMI、LDL、MCH/MCHC、eGFR）按定义恒等式计算。项目在自己的体检单上做的一次跨生成器审计很说明 问题：Synthea 与 PySynthea 的完整血常规多数违反红细胞恒等式 MCH = MCHC × MCV，且不带参考区间。 ESL-Doc 两者都有，这是构造出来的，不是碰巧。

​
构造层面的隐私

一次构建中没有任何内容来自真实的人。文档形态统计以格式记号与聚合计数的形式来自一份私有脱敏 参考集，每条带来源标签，由 allow-list .gitignore、pre-commit 隐私钩子和 n-gram 回放门 把守。威胁模型写在仓库的 docs/PRIVACY.md 里，包括”如果你认为某个文件不是合成的该怎么办”。

​
用法

同种子（以及同 --lang-mix、同 --paraphrase）的两次构建字节一致，out/ 可丢弃， 生成器加种子就是交付物。 现状。 Mirobody 通过一个指向构建目录的环境变量接入；截至引擎 1.5.3 版这一接入尚未落地 （feat/1.5.4 尚不读取 mirobody-gen 的构建），目前的消费方是评分 CLI 和以解码器测试套件形状 锚定的厂商推送。将这份语料与 ESL-Bench 组合的工作论文—— 基准暂定名 ESL-Doc——在仓库的 docs/zh-CN/paper.md。