A NVIDIA publicou um artigo conjunto com a Hugging Face defendendo que dados abertos são tão importantes quanto pesos abertos para construir agentes de IA confiáveis. O texto, assinado por nove pesquisadores da NVIDIA, argumenta que agentes que falham em uma chamada de API quebrada ou em um fluxo de trabalho inédito “não são agentes — são autocompletadores com ferramentas”.
O problema dos benchmarks para agentes
O argumento central é que o mundo real não se comporta como um benchmark. Um agente de IA precisa lidar com falhas de API, fluxos de trabalho imprevistos, raciocínio em múltiplas etapas, recuperação de informações, segurança e simulação de usuários. Converter um modelo de linguagem em um agente confiável é, fundamentalmente, um problema de dados.
Os datasets necessários incluem:
- Traços de engenharia de software
- Falhas de uso de ferramentas (tool-use failures)
- Raciocínio multi-etapa
- Execução de workflows
- Simulação de interação com usuários
Nemotron e dados sintéticos
A NVIDIA destacou como seus datasets abertos alimentam o ecossistema de pesquisa. O Nemotron-CC usou dados sintéticos para melhorar o dataset Common Crawl no pré-treinamento. O Nemotron-CC-MATH gera perguntas matemáticas sintéticas para melhorar o raciocínio. O Nemotron Pretraining cobre dados gerais, código, matemática e sintéticos em trilhões de tokens.
Quase 145 papers da ICML citam modelos e datasets Nemotron — um indicador de que o ecossistema de pesquisa está adotando ativamente esses recursos abertos.
O papel dos dados sintéticos
O artigo defende que dados sintéticos são a única forma viável de escalar o treinamento de agentes. Dados reais de interação humano-agente são escassos e caros de produzir. Dados sintéticos permitem gerar cenários diversos — incluindo falhas de API, recuperação de erros e situações adversariais — que seriam impossíveis de coletar em volume suficiente no mundo real.
O post inclui dois vídeos demonstrativos do fluxo de trabalho: um sobre o Prompt Atlas do Nemotron Post-Training v3 e outro sobre a arquitetura de dados para agentes.
Por que isso importa
Esta é uma tomada de posição relevante no debate sobre abertura em IA. Enquanto grande parte da discussão pública foca em pesos de modelos (open-weight vs closed-source), a NVIDIA argumenta que, para agentes, a abertura dos dados de treinamento é igualmente crítica. Sem datasets abertos, a reprodutibilidade e a auditabilidade dos agentes ficam comprometidas — independentemente de os pesos serem públicos ou não.
Para times que constroem agentes em produção, a mensagem prática é clara: invistam em pipelines de dados sintéticos para cobrir cenários de falha e borda. O gargalo não está mais no modelo — está nos dados que ensinam o modelo a agir.
Descubra mais sobre noticiAI
Assine para receber nossas notícias mais recentes por e-mail.
