Что такое ИИ-агент на практике: NVIDIA открыла 10 трлн токенов для его обучения

Зачем вообще разбираться, что такое ИИ-агент

Разговор об ИИ-агентах быстро сводится к абстракциям: «автономная программа, которая сама принимает решения». На практике всё упирается в данные. Как отметил вице-президент NVIDIA по прикладным исследованиям глубокого обучения Брайан Катанзаро, «каждая компания строится вокруг секрета», уникального рабочего процесса, набора данных или паттерна клиентов. Именно эти секреты делают ИИ полезным, но выставлять их напоказ нельзя.

Nemotron, линейка открытых датасетов и моделей NVIDIA, решает эту проблему через синтетические данные (данные, сгенерированные другой моделью, а не собранные у людей). Они сохраняют полезные сигналы, но не раскрывают исходные источники. На конференции ICML (International Conference on Machine Learning, одна из главных научных площадок в области машинного обучения) почти 145 статей сослались на модели и датасеты Nemotron.

Что понадобится

• Доступ к датасетам Nemotron на платформе HuggingFace или через NVIDIA (открытые, бесплатные).
• Nemotron Post-Training v3 Prompt Atlas, интерактивная карта данных, где каждая точка это промпт (prompt, текстовая инструкция для модели) из коллекции постобучения.
• NeMo Data Designer, инструмент NVIDIA для генерации синтетических данных, если хотите создавать собственные датасеты.
• Базовое понимание дообучения (fine-tuning, обучение модели на ваших примерах под узкую задачу): что такое обучающие данные (training data) и зачем их курировать.
• Время: от пары часов на разведку данных до нескольких дней на полноценный пайплайн с дообучением.

Пошаговая инструкция: от идеи агента до рабочих данных

1. Определите задачу агента конкретно. Не «помощник для бизнеса», а «агент, который обрабатывает входящие заявки, вызывает API CRM и формирует ответ клиенту». Чем точнее задача, тем проще подобрать данные.

2. Откройте Prompt Atlas и найдите свой кластер. Карта группирует семантически близкие промпты вместе. Отфильтруйте по домену: программирование, безопасность, математика, агентное (agentic) поведение, использование инструментов. Это покажет, какие типы задач уже покрыты данными Nemotron, а где пробел.

3. Оцените пропорции данных. Prompt Atlas отражает честные пропорции смеси данных. Если ваш агент должен работать с инструментами (tool use), а таких примеров в смеси мало, вы сразу видите, что придётся добавлять свои.

4. Выберите базу для предобучения или постобучения. Nemotron предлагает несколько слоёв:

5. Nemotron-CC: улучшенная версия Common Crawl (один из крупнейших открытых вебкорпусов) с синтетическими дополнениями для предобучения.
6. Nemotron-CC-MATH: синтетические математические задачи для тренировки рассуждений.

7. Nemotron Pretraining: широкая коллекция, включающая общие тексты, код, математику и синтетику, триллионы токенов (токен, минимальная единица текста, которую обрабатывает модель, примерно три четверти слова).

8. Сгенерируйте синтетические данные под свою локаль. Используйте NeMo Data Designer. Для агентов, работающих на русском или в регионах СНГ, это критично: модель, обученная только на английских примерах, пропустит агрессию, закодированную в вежливые обороты на другом языке. NVIDIA уже выпустила Nemotron-Personas, синтетические профили, привязанные к реальной демографии и географии регионов. На VivaTech в Париже коллекция расширилась до десяти стран, охватив более 2,4 млрд человек (по данным NVIDIA).

9. Документируйте происхождение каждого блока данных. Синтетические данные, реальные рабочие процессы, обратная связь от людей, трейсы модели (записи последовательности действий) переплетаются. NVIDIA рекомендует фиксировать: что сгенерировано, что взято из реального мира, что проверено человеком и для чего каждый блок данных предназначен.

10. Протестируйте агента на сбоях, а не на идеальных сценариях. Агент, который не умеет восстановиться после сломанного API-вызова или незнакомого рабочего процесса, это, по формулировке NVIDIA, «автодополнятель с инструментами, а не агент». Включите в тестовые данные именно провальные сценарии: ошибки вызовов, незнакомые цепочки действий, противоречивые инструкции.

Что делать с этим прямо сейчас, по ролям

Автору Дзена. Если вы используете ИИ-ассистентов для подготовки текстов, понимание того, что такое ИИ-агент на уровне данных, а не маркетинга, поможет формулировать промпты точнее. Prompt Atlas можно изучить просто для насмотренности: увидите, как выглядят хорошо структурированные инструкции для модели.

Маркетологу. Синтетические персоны Nemotron-Personas могут стать основой для тестирования чат-ботов и автоматических воронок. Прежде чем запускать агента на реальных клиентов, прогоните его через синтетические профили, привязанные к демографии вашего рынка.

Разработчику и предпринимателю в РФ и СНГ. Открытая архитектура Nemotron с интерактивной картой данных позволяет увидеть, где англоязычные примеры доминируют, и целенаправленно добавить русскоязычные данные. Из доступных в РФ аналогов для экспериментов с агентами можно рассматривать YandexGPT и GigaChat, но открытых датасетов такого масштаба для постобучения у них пока нет.

Главное, что нужно запомнить: вопрос «что такое ИИ-агент» на практике сводится не к выбору модели, а к качеству и разнообразию данных, на которых он учился. NVIDIA открыла не просто веса, а весь конвейер: данные, рецепты обучения, инструменты курирования и карту, по которой можно проверить каждый кирпичик. Если вы планируете агента под локальную задачу, начните с Prompt Atlas, найдите пробел и заполните его своими данными. Это дешевле и надёжнее, чем надеяться, что чужая модель угадает ваш контекст.