NVIDIA：用开放合成数据驱动智能体

NVIDIA 强调构建真正智能体需超越模型权重，数据、流程和评估同样关键；通过开放 Nemotron 数据集与大量合成数据，旨在提高可解释性、区域化质量与协作共享。文章介绍了 Prompt Atlas、Personas 和合成阈值等工具与方法，主张在公开与保密间用合成数据建立信任层。

背景与问题
– 仅有模型权重不足以造就“智能体”：真实世界包含失败恢复、多步工具调用、检索与工作流执行等复杂场景。
– 智能体能力是一个“数据问题”：需要软件工程轨迹、工具使用失败样本、人类反馈与模拟用户等数据形态。

NVIDIA 的开放策略
– Nemotron 开放数据：超过万亿预训练 token 与数百万后训练样本，覆盖编码、数学推理、工具调用等多域数据。
– 合成数据作用：用于扩充 Common Crawl、生成数学与代码题、构建局部化人格等，以在不泄露企业秘密的前提下共享有用信号。

关键工具与资源
– Nemotron Post-Training v3 Prompt Atlas：交互式可视化地图，按数据源、阶段、域或工具使用重组，便于审查样本、策划数据与构建评测。
– Nemotron-Personas：使用 NeMo Data Designer 生成的局部化合成人格，模仿区域人口统计以验证系统对不同语言/文化的覆盖性。

方法论与风险管理
– 合成阈值（synthetic thresholds）：识别何时数据不能再被视为纯“真实”数据，须记录生成过程、接地来源与人工审核情况。
– 质量是情境化的：推理数据要更难更干净；人格数据需分布保真与本地审查；智能体工作流需包含失败与恢复路径。

结论与倡议
– 开放数据与开放方法提升可复现性与可检视性，有助于理解智能体为何表现如是。
– 合成数据是权衡公开与保密、扩大参与与维护隐私的一种实践，也是建立跨组织信任的稀缺资源之一。

参考与后续
– 文中提到的资源：Nemotron 数据集合、Prompt Atlas、NeMo Data Designer，以及 Hugging Face 上的 Nemotron 模型与直播回放。

NVIDIA 把合成数据当成既能保护商业秘密又能推动开放协作的实用工具，方向务实且可操作。

原文链接