NVIDIA a publié le 8 juillet 2026 un article de fond sur les données ouvertes destinées aux agents IA, dans lequel l’entreprise défend une idée simple : pour construire un vrai agent, les poids du modèle ne suffisent pas. Il faut aussi ouvrir les données qui façonnent son comportement. Tu peux lire l’article complet sur le blog NVIDIA hébergé par Hugging Face.
Le message central de NVIDIA : un agent qui ne sait pas récupérer après un appel d’API cassé ou un workflow jamais vu « n’est pas vraiment un agent, c’est un autocompléteur avec des outils ». Passer de l’un à l’autre, selon NVIDIA, est avant tout un problème de données.
Pourquoi les agents IA ont besoin de données ouvertes
L’argument tient en une phrase de l’article : les poids ouverts comptent, mais pour un agent, ils ne racontent qu’une partie de l’histoire. Un modèle qui appelle des outils, exécute des workflows et agit à travers plusieurs systèmes reste une boîte noire tant qu’on ne voit pas les données d’entraînement derrière ces comportements.
NVIDIA chiffre l’effort : la collection Nemotron regroupe « plus de 10 000 milliards de tokens de pré-entraînement et des millions d’échantillons de post-entraînement » couvrant de nombreux domaines. L’entreprise met aussi en avant l’adoption dans la recherche : à la conférence ICML, « près de 145 articles » citent les modèles et jeux de données Nemotron, selon NVIDIA.
Pour rendre cette masse explorable, l’équipe a construit le Nemotron Post-Training v3 Prompt Atlas, une carte visuelle interactive où chaque point représente un échantillon de prompt. Les prompts sémantiquement proches se regroupent, ce qui permet de zoomer sur une zone — algorithmes de code, sécurité, maths, comportement agentique — et d’inspecter des exemples représentatifs.
Données synthétiques : préserver le secret sans le donner
Le cœur de la thèse repose sur une citation de Bryan Catanzaro, VP de l’Applied Deep Learning Research chez NVIDIA : « chaque entreprise est construite autour d’un secret » — un workflow, un corpus ou un motif client que les concurrents n’ont pas. Ces secrets rendent l’IA utile, mais personne ne veut être le premier à les exposer.
C’est là que la donnée synthétique entre en jeu. Elle permet, d’après NVIDIA, de préserver le signal utile d’un corpus sans révéler la source. L’article résume l’enjeu par une formule : « la ressource rare en IA, ce ne sont pas les tokens. C’est la confiance entre organisations. »
NVIDIA cite un cas concret d’application locale : un classifieur de toxicité entraîné sur l’internet anglophone rate les messages hostiles en coréen ou en japonais, où l’agressivité passe par les niveaux de politesse plutôt que par le vocabulaire. Réponse de l’entreprise : Nemotron-Personas, des personas synthétiques ancrés localement et générés avec l’outil NeMo Data Designer. La collection a lancé son dixième pays au salon VivaTech à Paris le mois dernier et représente désormais « plus de 2,4 milliards de personnes », selon NVIDIA.
L’entreprise ne présente pas le synthétique comme une baguette magique. Elle parle de « seuils synthétiques », ces points où une donnée ne peut plus être traitée comme purement réelle, et insiste sur la nécessité de documenter ce qui a été généré, ancré, relu et ce que la donnée est censée tester.
FAQ
Qu’est-ce que Nemotron de NVIDIA ?
Nemotron est la famille de modèles et de jeux de données ouverts de NVIDIA. Elle regroupe plus de 10 000 milliards de tokens de pré-entraînement et des millions d’échantillons de post-entraînement, selon NVIDIA, couvrant le code, les maths, la sécurité et le comportement agentique.
Pourquoi NVIDIA mise sur les données synthétiques ?
Parce qu’elles permettent, d’après NVIDIA, de partager le signal utile d’un corpus sans exposer les sources confidentielles d’une entreprise. L’objectif affiché est de bâtir de la confiance entre organisations qui, autrement, ne pourraient pas collaborer sur des données.
Qu’est-ce que le Prompt Atlas Nemotron v3 ?
C’est une carte visuelle interactive publiée par NVIDIA où chaque point correspond à un échantillon de prompt de la collection post-entraînement v3. Elle sert à explorer, filtrer et comprendre la composition réelle des données d’entraînement.
