NVIDIA opens Nemotron datasets: 10 trillion tokens for training AI agents

8 июля 2026 года NVIDIA опубликовала на Hugging Face исследовательский пост об открытых данных для AI-агентов, одновременно выпустив датасеты Nemotron с более чем 10 триллионами пре-тренировочных токенов и миллионами пост-тренировочных примеров. Это один из крупнейших публичных выпусков обучающих данных, специально ориентированных на агентные системы.

Почему одних весов модели недостаточно?

Поведение AI-агента определяется не только весами нейронной сети — но и тем, на каких именно данных она обучена. Стандартные бенчмарки и общие текстовые корпусы не отражают реальную сложность агентных задач: многошаговые цепочки действий, работу с инструментами, сбои и восстановление после ошибок.

Датасеты Nemotron охватывают восемь ключевых доменов:

• Трассы разработки программного обеспечения (software engineering traces)
• Сбои при вызове инструментов (tool-use failures)
• Многошаговые рассуждения
• Поиск и извлечение информации
• Безопасность и контроль поведения
• Симуляция пользователей
• Исполнение рабочих процессов
• Верификация ответов

Пре-тренировочная часть превышает 10 триллионов токенов; пост-тренировочная содержит миллионы размеченных примеров по нескольким доменам. Особенно ценным является включение данных о сбоях — ошибочных вызовах инструментов и неудавшихся цепочках действий. Большинство открытых датасетов фиксируют лишь успешные сценарии; данные о провалах позволяют агентам учиться восстанавливаться, а не только добиваться результата с первой попытки.

Как синтетические данные защищают конфиденциальность?

Одно из главных препятствий при разработке корпоративных AI-агентов — невозможность открыто поделиться реальными рабочими процессами. Внутренние пайплайны, клиентские данные и бизнес-логика закрыты по определению: компании не могут публиковать то, что составляет их конкурентное преимущество.

Синтетические данные решают эту проблему: организации генерируют полезные обучающие сигналы на основе реальных процессов, не раскрывая сами процессы. Это открывает путь к участию в экосистемах открытых данных без риска утечки коммерческой информации.

NVIDIA подчёркивает, что этот подход требует прозрачности: необходимо документировать, что именно было сгенерировано, на каком основании и что прошло экспертную проверку. Синтетические данные не являются универсальным решением — их качество напрямую зависит от корректности моделей-генераторов и процессов валидации.

«Синтетические данные позволяют участвовать в экосистемах открытых данных, не раскрывая конфиденциальные рабочие процессы или данные клиентов» — команда

Nemotron.

Prompt Atlas и 2,4 миллиарда синтетических персонажей

Для исследователей NVIDIA создала Nemotron Post-Training v3 Prompt Atlas — интерактивный визуальный инструмент для изучения миллионов примеров. Данные организованы по датасету, домену и паттернам вызова инструментов, что делает корпус не просто загружаемым архивом, а пространством для анализа распределений и закономерностей.

Отдельного внимания заслуживает Nemotron-Personas — набор синтетических персонажей, который на 8 июля 2026 года охватывает более 2,4 миллиарда человек из десяти стран. Персонажи «локально обоснованы»: они отражают региональную специфику, культурные паттерны и демографическое разнообразие населения. Это позволяет обучать агентов, понимающих локальный контекст запросов, — не только универсальный технический английский, но и особенности общения, характерные для конкретных регионов.

Что это значит

Выпуск датасетов Nemotron задаёт новую планку открытости в разработке AI-агентов. Включение данных о сбоях инструментов, синтетических персонажей и интерактивного атласа говорит о том, что NVIDIA рассматривает агентов не как улучшенные чат-боты, а как системы, работающие в реальном мире с реальными пользователями и реальными провалами. Команды, строящие специализированных агентов, получают готовую основу для дообучения — без необходимости собирать разметку с нуля.