NVIDIA libera Nemotron Post-Training v3 Prompt Atlas——10T tokens, personas sintéticas para IA agentica
NVIDIA liberou o Nemotron Post-Training v3 Prompt Atlas, um mapa visual interativo de mais de 10 trilhões de tokens de pré-treinamento e milhões de amostras pós-treinamento abrangendo múltiplos domínios e comportamentos agenticos. O atlas permite que pesquisadores explorem o que realmente está na mistura de treinamento do Nemotron: cada ponto no mapa representa uma amostra de prompt, agrupada por similaridade semântica, e colorível por dataset, estágio de pipeline, domínio ou uso de ferramenta. Os usuários podem ampliar regiões como algoritmos de codificação, segurança, matemática e comportamento agentico para inspecionar exemplos representativos e entender o comportamento do modelo.
O lançamento inclui Nemotron-Personas, personas sintéticas fundamentadas localmente capturando diversidade demográfica, geográfica e ocupacional regional. Construtor usando NeMo Data Designer da NVIDIA para geração de dados sintéticos de IA composta, Nemotron-Personas agora representa dez países e mais de 2,4 bilhões de pessoas. As personas são projetadas para ajudar as equipes a testar se seus sistemas refletem os usuários, idiomas, regiões e ocupações que afirmam servir, com pesquisadores regionais e falantes nativos construindo qualidade nos dados colaborativamente.
A estratégia de dados da NVIDIA reflete uma mudança: pesos de modelos abertos importam, mas para agentes, a reprodutibilidade depende de datasets, opções de curação, receitas de treinamento e métodos de avaliação. Dados sintéticos fornecem uma maneira de preservar sinais úteis sem expor fontes proprietárias, permitindo que as equipes compartilhem sinal mais rico sem expor casualmente dados de origem subjacentes. Citações de Nemotron abrangem 145 artigos em ICML 2026, mostrando adoção em toda pesquisa.
Para equipes de infraestrutura e modelos, o atlas e biblioteca de personas são ferramentas para inspeção de dados e avaliação. A ênfase em dados sintéticos e controle de qualidade local sinaliça que sistemas de agentes futuros dependerão de misturas de treinamento curadas e fundamentadas em domínio em vez de escala indifer enciada. As equipes construindo agentes de produção devem esperar investir em entender sua própria mistura de dados de treinamento e fundamentação regional.