80 000 траекторий ИИ: как NVIDIA обучала Nemotron 3 Super

#Как NVIDIA превратила поисковые сессии в датасет

Создание качественного набора данных для агентов - это не просто сбор текстов. Инженеры NVIDIA взяли около 40 500 затравочных вопросов из репозиториев OpenScholar, ResearchQA и Fathom-DeepResearch-SFT. Эти вопросы запустили внутри автономной системы AI-Q под управлением базовой модели GPT-OSS-120B. Когда агенту требовалась информация, поисковый инструмент возвращал ответы, которые сразу попадали в лог рассуждений. Подробный разбор процесса доступен в материале на Tavily Blog.

В итоге получилось 80 000 полных траекторий. Каждая запись включала дерево планов, запросы, сырые ответы из сети и финальный отчет со ссылками. Часть сессий отсеялась: агенты превышали лимиты на вызовы инструментов или циклились из-за мусора в выдаче. Для очистки данных NVIDIA применила специализированного «судью» - Qwen3-Nemotron-32B-GenRM-Principle. Эта модель оценивала логи на логику. Фильтрацию прошли 67 000 примеров. Около 83% собранных данных пошли в финальный датасет для обучения (SFT).

#Архитектура AI-Q и цена каждого проваленного шага

Система AI-Q распределяет нагрузку между тремя ролями. Такая модульность помогает экономить ресурсы, подставляя разные языковые модели под конкретные задачи:

• Planner (Планировщик) - разбивает запрос на части и строит план исследования.
• Researcher (Исследователь) - собирает данные через subagents-специалистов и делает первичный синтез.
• Orchestrator (Оркестратор) - координирует передачу контекста и решает, когда закончить цикл.

По данным анализа архитектуры в Pikka AI News, блок Researcher перерабатывает в 4 раза больше токенов, чем Planner и Orchestrator вместе взятые. Это самая дорогая часть системы. Здесь качество поискового API напрямую диктует расходы на облачные вычисления.

Если поиск возвращает зашумленные страницы, агент делает лишние итерации. Он тратит контекстное окно на мусор и упирается в лимиты по времени. При создании датасета каждая отбракованная траектория - это сожженные впустую GPU-часы. Повышение точности поиска даже на пару процентов экономит десятки часов работы кластера H100. Мы в своей практике тоже заметили: плохой парсинг JS на сайтах ломает логику агента быстрее, чем слабая модель.

#Где развернуть поисковый контур для Рунета

Когда агент учится на траекториях, он запоминает паттерн работы с поисковиком. Модель привыкает к структуре ответов и метаданным. Поэтому важно, чтобы API на этапе эксплуатации выдавало данные в том же виде, что и при тренировке. Для проектов в Рунете зарубежные платформы часто работают плохо: у них поверхностное покрытие и они медленно индексируют локальные законы или реестры.

Интеграция инфраструктуры срезAI решает этот вопрос. Сервис индексирует русскоязычный сегмент с p50-latency в 976 мс, что ускоряет работу исследователей. Подключить поиск можно через REST API или MCP-сервер. Headless-браузер обрабатывает динамический контент, отдавая LLM чистую структуру без скриптов.

#Технические ограничения метода

Несмотря на лидерство в DeepResearch Bench (55.95 и 54.50 баллов), подход NVIDIA имеет пределы. Многоагентный ансамбль с параллельными проверками долго отвечает. Это не сработает в задачах, где реакция нужна мгновенно, так как генерация одной глубокой траектории длится несколько минут. Траты на токены в таких цепочках растут лавинообразно, поэтому запуск системы выгоден только для сложной аналитики.