NVIDIA y Hugging Face liberan datos para entrenar agentes de IA
El paquete de datasets abiertos, con más de 10 billones de tokens de preentrenamiento y millones de muestras de post-entrenamiento, busca estandarizar cómo se entrena y evalúa a los agentes de IA más allá de los benchmarks de chat.
NVIDIA y Hugging Face publicaron a comienzos de julio de 2026 un conjunto de datasets abiertos pensados específicamente para entrenar y evaluar agentes de inteligencia artificial, no solo modelos conversacionales. La iniciativa forma parte del programa de datos abiertos Nemotron de NVIDIA e incluye más de 10 billones de tokens de preentrenamiento y millones de muestras de post-entrenamiento distribuidas en distintos dominios.
El material cubre trazas de ingeniería de software, fallos en el uso de herramientas, razonamiento de varios pasos, recuperación de información (retrieval), seguridad, simulación de usuarios, ejecución de workflows y, eventualmente, interacción con el mundo físico. Según NVIDIA, un agente que no puede recuperarse de una llamada a una API que falla, o de un flujo de trabajo que nunca vio antes, no funciona realmente como agente sino como un simple autocompletador con herramientas conectadas. Resolver esa brecha es, en esencia, un problema de datos.
Entre los datasets ya publicados figuran Nemotron-CC, que usa datos sintéticos para enriquecer el dataset Common Crawl de cara al preentrenamiento; Nemotron-CC-MATH, que aplica preguntas matemáticas generadas sintéticamente para mejorar el razonamiento de los modelos; y Nemotron Pretraining, una colección amplia que abarca contenido general, código, matemática y datos sintéticos a lo largo de billones de tokens.
Adopción en la comunidad académica
NVIDIA destacó que casi 145 papers presentados en la Conferencia Internacional sobre Aprendizaje Automático (ICML) citaron modelos o datasets de Nemotron, lo que la compañía presenta como evidencia de que los modelos abiertos están influyendo en la investigación de IA de forma amplia.
El argumento del "secreto" corporativo
Bryan Catanzaro, vicepresidente de Investigación Aplicada en Deep Learning de NVIDIA, planteó que toda empresa se construye alrededor de un secreto: un flujo de trabajo, un corpus de datos o un patrón de clientes que la competencia no tiene. Esos secretos son justamente lo que hace útil a la IA de cada compañía, por lo que exponerlos sin cuidado no es una opción para la mayoría de las organizaciones.
Ahí es donde entran los datos sintéticos: permiten conservar señales útiles de esos secretos sin revelar las fuentes originales que los generaron. NVIDIA sostiene que si todos los modelos aprenden del mismo grupo reducido de datos, no debería sorprender que terminen pareciéndose entre sí. El problema es que gran parte de los datos más útiles vive dentro de organizaciones que no pueden o no quieren publicarlos directamente. Los datos sintéticos liberados abiertamente son, según la compañía, una forma de modificar esa ecuación sin obligar a nadie a exponer su ventaja competitiva.
NVIDIA enmarca la publicación también como un tema de transparencia: si un modelo llama herramientas, ejecuta workflows, busca información y actúa sobre distintos sistemas, los desarrolladores necesitan poder inspeccionar qué datos moldearon esos comportamientos. Los pesos abiertos de un modelo no alcanzan para eso; también hacen falta los datasets, las decisiones de curación y las recetas de entrenamiento detrás de cada versión.
