A NVIDIA anunciou, em 8 de julho de 2026, a expansão do portfólio de dados abertos Nemotron, agora com mais de 10 trilhões de tokens e milhões de amostras de pós-treinamento. O foco está em fornecer bases transparentes e diversificadas para o desenvolvimento de agentes autônomos, com forte ênfase em dados sintéticos e ferramentas para inspeção e curadoria.
Dados sintéticos como motor de agentes
Segundo a NVIDIA, agentes realmente robustos exigem mais do que benchmarks: precisam ser treinados em ambientes que reflitam falhas de APIs, raciocínio multi-etapa, execução de workflows e simulação de usuários. Dados sintéticos, como os gerados nas coleções Nemotron-CC e Nemotron-CC-MATH, são apresentados como essenciais para escalar esses cenários sem expor informações sensíveis de empresas ou usuários. A abordagem permite preservar sinais úteis sem abrir mão de segredos corporativos.
A estratégia é alinhada ao movimento de open source em IA, mas amplia o escopo. Não basta liberar pesos de modelos — é preciso abrir também datasets, critérios de curadoria, receitas de treinamento e métodos de avaliação. Isso torna o comportamento dos agentes mais auditável e explicável para desenvolvedores.
Prompt Atlas e Personas: inspecionando e localizando dados
Para facilitar a exploração dos dados pós-treinamento, a NVIDIA lançou o Nemotron Post-Training v3 Prompt Atlas: um mapa visual interativo que permite inspecionar amostras de prompts por domínio, etapa do pipeline ou uso de ferramentas. A visualização facilita o entendimento da mistura de dados e a curadoria para casos específicos, como algoritmos de código, segurança, matemática ou comportamento agente.
Outro destaque é o Nemotron-Personas, uma coleção de personas sintéticas geradas pelo NeMo Data Designer, que reflete diversidade demográfica e geográfica baseada em estatísticas oficiais. Lançada em junho durante o VivaTech em Paris, a coleção já cobre dez países e mais de 2,4 bilhões de pessoas. A proposta é ajudar desenvolvedores a testar agentes em contextos locais, respeitando nuances culturais e linguísticas — fundamental para evitar vieses, como classificar erroneamente agressividade em idiomas onde ela se manifesta de forma indireta.
Limites e contexto do uso de dados sintéticos
Apesar do entusiasmo, a NVIDIA ressalta que dados sintéticos não eliminam a necessidade de curadoria humana, rastreabilidade e avaliação. O conceito de “synthetic thresholds” — pontos em que os dados deixam de ser puramente reais — é reconhecido como área de trade-off. Dados sintéticos reduzem riscos de privacidade, mas não substituem a validação local e o envolvimento de especialistas regionais.
Por que importa
A oferta aberta da NVIDIA marca um passo relevante para o ecossistema de agentes, especialmente em transparência e diversidade de dados. O acesso a trilhões de tokens, combinando dados reais e sintéticos, deve acelerar pesquisas e aplicações em IA autônoma — inclusive para equipes brasileiras que enfrentam escassez de datasets locais. Ferramentas como o Prompt Atlas e a coleção de Personas apontam para uma abordagem mais controlada e auditável do comportamento de agentes, uma demanda crescente em setores regulados e aplicações sensíveis.
No cenário global de IA, a iniciativa coloca pressão sobre outros provedores para abrir não apenas modelos, mas também dados e processos de curadoria. Para desenvolvedores e pesquisadores, é oportunidade de construir agentes mais alinhados com realidades diversas — sem depender de dados proprietários ou opacos.