NVIDIA libera Nemotron Post-Training v3 Prompt Atlas——10T tokens, personas sintéticas para IA agentica
NVIDIA lanzó el Nemotron Post-Training v3 Prompt Atlas, un mapa visual interactivo de más de 10 billones de tokens de preentrenamiento y millones de muestras post-entrenamiento abarcando múltiples dominios y comportamientos agenticos. El atlas permite a los investigadores explorar qué hay realmente en la mezcla de entrenamiento de Nemotron: cada punto en el mapa representa una muestra de prompt, agrupada por similitud semántica, y coloreable por conjunto de datos, etapa de pipeline, dominio o uso de herramientas. Los usuarios pueden ampliar regiones como algoritmos de codificación, seguridad, matemáticas y comportamiento agentico para inspeccionar ejemplos representativos y comprender el comportamiento del modelo.
El lanzamiento incluye Nemotron-Personas, personas sintéticas fundamentadas localmente que capturan la diversidad demográfica, geográfica y ocupacional regional. Construido usando NeMo Data Designer de NVIDIA para generación de datos sintéticos de IA compuesta, Nemotron-Personas ahora representa diez países y más de 2,4 mil millones de personas. Las personas están diseñadas para ayudar a los equipos a probar si sus sistemas reflejan a los usuarios, idiomas, regiones y ocupaciones que pretenden servir, con investigadores regionales e hablantes nativos construyendo calidad en los datos colaborativamente.
La estrategia de datos de NVIDIA refleja un cambio: los pesos de los modelos abiertos importan, pero para agentes, la reprodutibilidad depende de conjuntos de datos, opciones de curación, recetas de entrenamiento y métodos de evaluación. Los datos sintéticos proporcionan una manera de preservar señales útiles sin exponer fuentes propietarias, permitiendo que los equipos compartan señales más ricas sin exponer casualmente datos de origen subyacentes. Las citas de Nemotron abarcan 145 artículos en ICML 2026, mostrando adopción en toda investigación.
Para equipos de infraestructura y modelos, el atlas y la biblioteca de personas son herramientas para la inspección de datos y la evaluación. El énfasis en datos sintéticos y control de calidad local señala que los sistemas de agentes futuros dependerán de mezclas de entrenamiento curadas y fundamentadas en el dominio en lugar de escala indiferenciada. Los equipos que construyen agentes de producción deben esperar invertir en entender su propia mezcla de datos de entrenamiento y fundamentación regional.