I dataset aperti di post-training di Nemotron 3.5 Super VL: su cosa puoi effettivamente fare fine-tuning

NVIDIA Nemotron 3.5 Super VL ha pubblicato i suoi pesi su Hugging Face il 12 ottobre 2026 ed è stato annunciato il 15 ottobre. La metà di quel rilascio che gran parte della copertura ha trascurato è quella su cui puoi effettivamente costruire: tra il 12 e il 15 ottobre, l'organizzazione nvidia ha pubblicato undici nuovi dataset di post-training — i corpora di supervised fine-tuning e reinforcement learning dietro la descrizione dell'addestramento in sei fasi della stessa model card. Tutti e undici indicano OpenMDW-1.1 come termini applicabili, ma è qui che l'uniformità finisce. Due di essi si presentano come license: other sull'Hub; altri due riportano una seconda licenza a causa di ciò che contengono; e le due card che non dicono mai «pronti per usi commerciali o non commerciali» non sono quelle che immagineresti. Di seguito c'è ciò che contiene ogni set, cosa le card pubblicano e non pubblicano al riguardo, e come l'intero rilascio si allinea rispetto a una cifra di recupero di accuratezza mediana del 99,62% che si legge in modo molto diverso a seconda di quale documento NVIDIA si apra.

Cosa è atterrato, e quando

Hugging Face registra i timestamp di creazione, quindi questo è letto anziché stimato. Tutti gli undici repository sono comparsi in una finestra di 61 ore:

• Nemotron-RL-litmus-bench-v0.2 — 12 ottobre, 16:37 UTC. Ragionamento chimico, 47.118 domande di addestramento e 2.056 di test, 64 MB, creato da ChEMBL, dai dati della challenge OpenADMET ExpansionRx e da un set ADME di Biogen. Con doppia licenza CC-BY-SA-4.0 e OpenMDW-1.1, poiché le domande derivate da ChEMBL comportano la condizione share-alike.

• Nemotron-SFT-Agentic-v4 — 14 ottobre, 17:54 UTC. Traiettorie di uso degli strumenti a turno singolo e multi-turno, 634.664 record di conversazione suddivisi in uno split tool_calling di 549.707 e uno split knowledge_agent di 84.957, 18,88 GB. Generato con Qwen3.5-397B-A17B e GLM-5.2.

• Nemotron-SFT-Instruction-Following-Chat-v4 — 14 ottobre, 17:55 UTC. Chat, instruction following multi-turn e controllo della lunghezza delle risposte, 3.850.582 record di conversazione, 80,74 GB. Generato con Kimi-K2.6, Gemma4-E4B-it e Qwen3.5-397B-A17B.

• Nemotron-SFT-Agentic-Finance-v1 — 14 ottobre, 18:54 UTC. 7.878 esempi multi-turno di tool calling su ragionamento numerico, modellazione finanziaria, analisi di mercato, rettifiche e domande beat-or-miss relative a documenti SEC pubblici, 28 MB.

• Nemotron-RL-Agentic-Finance-v1 — 14 ottobre, 18:55 UTC. 10.185 attività RL, le stesse cinque famiglie di attività, 166 MB, con il contesto del filing deliberatamente omesso, così che l'agente debba recuperarlo tramite sec_filing_search, parse_html_page e retrieve_information.

• Nemotron-SFT-Long-Context-Transduction-v1 — 14 ottobre, 19:47 UTC. 10.000 coppie istruzione–risposta, 1,22 GB, per il tracciamento delle posizioni e la trasformazione di sequenze. Nessun modello le ha generate: la scheda afferma esplicitamente che nessun modello linguistico produce gli esempi o le risposte, e le quattro famiglie di attività sono valutazione aritmetica, ordinamento di token esadecimali, espansione di variabili e trasformazione CSV.

• Nemotron-SFT-Long-Context-Translation-PG19-v1 — 14 ottobre, 20:14 UTC. 4.335 esempi di traduzione dall'inglese verso più lingue, 2,22 GB, testi originali tratti da libri di pubblico dominio nel corpus PG-19 e tradotti con DeepSeek V4 Flash.

• Nemotron-RL-Finance-Tool-Calling-v1 — 14 ottobre, 22:46 UTC. 90.307 record finanziari — 81.397 campioni di ragionamento core più 8.910 campioni più ampi di agenti finanziari — in 1,23 GB, eseguiti sull'ambiente Finance SEC Search in NeMo Gym.

• Nemotron-SFT-Finance-Document-Grounded-Reasoning-v1 — 14 ottobre, 22:46 UTC. 63.056 esempi in 1,01 GB, basati su depositi 10-K, 10-Q e 8-K di aziende dell'indice S&P 500 che coprono il periodo 2017–2024.

• Nemotron-RL-Agentic-Conversational-Tool-Use-Seed-v1 — 14 ottobre, 23:45 UTC. 100.000 record, 3,86 GB: politiche seed, definizioni di strumenti e scenari per il resource server conversation_tool_use_simulation, che coprono ospitalità, e-commerce, banche e assicurazioni, per conversazioni agentiche simulate durante il RL.

• Nemotron-SFT-BBQ-v1 — 15 ottobre, 05:22 UTC. Dati di equità in inglese che coprono età, aspetto fisico e disabilità — 2.000 record ciascuno, 6.000 in totale, 8,0 MB — costruiti secondo la tassonomia del Bias Benchmark for QA, con conversazioni tra partecipanti fittizi progettate per premiare risposte basate su prove anziché su supposizioni.

Due cose di quell’elenco contano più del numero di righe. La prima è che il perimetro delle licenze non è così uniforme come suggerisce l’etichetta di testata, e la seconda è di chi sono questi output.

Il tag della licenza non è l'intera licenza

Tutti e undici i repository indicano OpenMDW-1.1 come termini che li disciplinano. Ciò che cambia è come questo ti arriva, e vale la pena leggere le differenze prima di costruirci sopra qualcosa di commerciale.

• Tag o licenza denominata — nove degli undici riportano license: openmdw-1.1 come semplice tag, leggibile direttamente dall'API. Nemotron-SFT-Agentic-Finance-v1 e Nemotron-RL-Agentic-Finance-v1 si presentano come license: other con license_name: openmdw-1.1 e un link all'accordo. I termini sono gli stessi; uno strumento che filtra i repository in base a un tag di licenza vedrà due valori diversi.

• Seconda licenza a causa dei dati a monte — Nemotron-SFT-Long-Context-Translation-PG19-v1 adotta la licenza Apache-2.0 insieme a OpenMDW-1.1 perché il corpus di origine è PG-19, e la sua scheda aggiunge che le opere in inglese sottostanti sono di pubblico dominio negli Stati Uniti, ma che lo stato del copyright può differire in altre giurisdizioni, quindi gli utenti dovrebbero verificare la legge locale prima della ridistribuzione. Nemotron-RL-litmus-bench-v0.2 adotta la licenza CC-BY-SA-4.0 insieme a OpenMDW-1.1, con il termine share-alike applicato specificamente alle domande derivate da ChEMBL.

• La dicitura sul commerciale — nove schede dichiarano "Questo dataset è pronto per usi commerciali o non commerciali". Le due che non lo fanno sono Nemotron-SFT-Long-Context-Transduction-v1 e Nemotron-SFT-Long-Context-Translation-PG19-v1 — la coppia a contesto lungo, non i set finanziari.

• Dove è documentata l'esclusione dei contenuti — finanza. La scheda basata su documenti afferma che il rilascio conserva solo estratti consentiti a contesto limitato dai corpi dei Moduli 10-K, 10-Q e 8-K, e che il corpus completo della SEC, tutti gli allegati e qualsiasi contenuto recante un avviso di copyright di terzi sono esclusi, citando rapporti di consulenti, presentazioni, pareri di congruità e ricerche di analisti. Rileva inoltre che gli estratti restano di responsabilità dei rispettivi emittenti.

Quindi la lettura pratica è l'opposto di quella intuitiva. I set finanziari sono quelli con il badge di licenza più appariscente — un openmdw-1.1 pulito sui set basati su documenti e sull'uso di strumenti — e quelli con le restrizioni meglio documentate su ciò che contengono. I set a contesto lungo sono quelli i cui metadati dell'Hub e il cui testo descrittivo divergono maggiormente tra loro. Nessuno dei due è un motivo per rinunciare; entrambi sono motivi per leggere quattro schede invece di un solo campo di licenza.

Gli output di chi hanno addestrato il modello di punta di NVIDIA?

L'altra cosa che attraversa il drop sono i modelli di generazione, e le schede li nominano senza mezzi termini. Il set SFT agentico di punta è stato prodotto con Qwen3.5-397B-A17B e GLM-5.2. Il set di instruction following aggiunge Kimi-K2.6 e Gemma4-E4B-it. Il set finanziario basato su documenti indica Qwen3.5-397B-A17B per la generazione delle domande, DeepSeek-V4-Pro per le risposte e gpt-oss-120b per il filtraggio e la selezione. Il set RL finance di tool calling elenca a monte Qwen3.5-397B-A17B e Qwen3-235B-A22B-Instruct-2507, DeepSeek-V4-Pro per le risposte, gpt-oss-120b per il filtraggio e NVIDIA Nemotron stesso per la profilazione della difficoltà RL su otto rollout. Le traduzioni PG-19 sono state prodotte con DeepSeek V4 Flash.

Quella è una decisione di pubblicazione, non un caso, ed è la cosa più utile nel rilascio per chiunque cerchi di ragionare sulla qualità. Ti dice che il prior comportamentale su cui stai facendo fine-tuning non è in misura sostanziale di NVIDIA — è un mix di due famiglie cinesi di modelli open-weight all'avanguardia, un modello open-weight di OpenAI e un modello piccolo di Google. Se hai un'opinione su come uno qualsiasi di questi si comporti su testi finanziari o sulla selezione degli strumenti, quell'opinione si applica al tuo punto di partenza qui, e ora hai la provenienza per verificarla invece di indovinare.

Perché i dati sono la parte su cui puoi agire

Il motivo per cui il rilascio di un dataset è la metà interessante di questo lancio è visibile nei numeri dello stesso fornitore. Il post della newsroom di NVIDIA nomina le organizzazioni che hanno eseguito il post-training del modello e cita i loro risultati: Scale AI per il lavoro di credito come fornitore di Skydance, con «costi di inferenza inferiori di 40 volte» e «latenza inferiore di 5 volte»; Ramp sulla conversione di immagini di ricevute in JSON strutturato, con aspettative di «fino al 50% di throughput in più e latenza inferiore di 10 volte»; AI21 e Alice sulla threat intelligence, con «accuratezza superiore del 41%». Leggi il blog per sviluppatori insieme alla newsroom e gli stessi risultati dei clienti si riducono a «costi di inferenza inferiori di 40 volte, latenza inferiore di 10 volte e accuratezza superiore del 40%» — un 40 dove la newsroom dice 41, e un 10x dove dice 5x, per quelli che sembrano gli stessi due deployment. Queste sono aspettative dei clienti per i propri carichi di lavoro, non benchmark, e nessuna delle due versioni è riproducibile da te.

Ciò che è riproducibile è la ricevuta. La redazione afferma che il modello è stato post-addestrato con circa 3,8 milioni di campioni e apprendimento per rinforzo in dozzine di ambienti, e che i dataset aperti coprono l'uso agentico di strumenti, la finanza, il seguire istruzioni, il contesto lungo, l'equità e la comprensione visione-linguaggio. Gli undici repository sopra costituiscono quel corpus, e gli ambienti NeMo Gym a cui puntano le schede sono l'harness. Un team che desidera un agente di document intelligence ora ha il modello, le ricette di serving, le librerie di fine-tuning e i dati di addestramento in un unico posto. Il divario tra "questo modello può essere specializzato" e "ecco una specializzazione che puoi scaricare oggi" è ciò che questi repository colmano.

Un'avvertenza su quell'elenco di categorie: la newsroom di NVIDIA include la comprensione visione-linguaggio tra i dataset rilasciati, e gli undici nuovi repository di dataset nvidia creati in questa finestra sono corpus testuali e di tool-use. Il set finanziario basato su documenti è la cosa più vicina a un set di visione nel rilascio, ed è solo testuale nel formato. Se sei venuto per la parte immagini e video, i dati non sono qui — il più recente dataset di visione NVIDIA sull'Hub precede questa finestra di cinque giorni.

Ciò che le carte non pubblicano, e quanto ti costa

Ecco il numero che nessuno mette in un post di lancio, e in questo rilascio è un numero mancante. Nessuna delle undici schede di dataset pubblica un conteggio di token. Pubblicano conteggi di record e dimensioni di archiviazione, e basta. Quindi la domanda sulla dimensione — quante GPU-ora è una singola epoca sul set instruction-following — non può trovare risposta dal rilascio, ma può solo essere stimata dividendo i byte per un rapporto byte-per-token ipotizzato, che è esattamente il tipo di cifra che finisce nella copertura come se fosse stata misurata.

Ciò su cui puoi basarti è lo spazio di archiviazione pubblicato: 80,74 GB per Nemotron-SFT-Instruction-Following-Chat-v4, 18,88 GB per Nemotron-SFT-Agentic-v4, 3,86 GB per il set di seed per l’uso conversazionale degli strumenti, e poi una lunga coda — 2,22 GB, 1,23 GB, 1,22 GB, 1,01 GB, 166 MB, 28 MB, 8,0 MB, 64 MB. I due set più grandi sono più grandi di uno o due ordini di grandezza rispetto a tutto il resto nel rilascio, il che ti dice dove risiede davvero il peso del post-training senza dover contare i token.

• Nemotron-SFT-Instruction-Following-Chat-v4 — 80,74 GB e 3.850.582 record. Questo è il set che rende un'esecuzione a parametri completi un progetto anziché un pomeriggio.

• Nemotron-SFT-Agentic-v4 — 18,88 GB e 634.664 record. Circa un quarto delle dimensioni, il che lo mette alla portata di un'esecuzione su singolo nodo.

• Nemotron-SFT-BBQ-v1 — 8,0 MB e 6.000 record. Abbastanza piccolo per iterare in pochi minuti, il che lo rende il modo più economico per dimostrare che il tuo ciclo di fine-tuning è configurato correttamente prima di dedicare una settimana di GPU al lavoro che ti sta davvero a cuore.

• Nemotron-SFT-Long-Context-Transduction-v1 — 1,22 GB, ma solo 10.000 esempi, con un intervallo pubblicato per singolo esempio da 2.048 a 131.072 token di destinazione. Qui il costo è determinato dalla lunghezza della sequenza anziché dal volume, e la scheda afferma che i budget sono obiettivi di generazione stimati con cl100k_base, non conteggi misurati post-addestramento.

Per quanto riguarda la scala dal lato del modello, la model card pubblica i budget per fase: un warm-up MTP da 100 miliardi di token su un backbone congelato, un trilione di token di distillazione dal Nemotron immediatamente più grande, 100 miliardi di token di pre-training continuato in Indic, un’estensione da 35 miliardi di token a un contesto di 1M, 67 miliardi di token di mid-training di ingegneria del software a 256K e una fase di recupero del contesto lungo da 9 miliardi di token. Questi sono gli unici budget di token che NVIDIA dichiara in tutto il comunicato, e si applicano all’addestramento del modello base, non al fine-tuning su questi dataset.

Ecco anche perché il percorso LoRA conta qui anziché essere una nota a piè di pagina. NVIDIA indirizza gli sviluppatori verso NVIDIA NeMo AutoModel per il fine-tuning supervisionato e l'adattamento a basso rango, e gli adattatori sono la differenza tra il modificare alcuni comportamenti del modello e il ricalcolare 249 GB di pesi. Entrambi i percorsi sono reali, e la scelta tra di essi è una decisione su quanto del comportamento del modello di base intendi modificare. Un team finanziario che insegue uno schema ristretto o un comportamento che segue una policy è terreno di LoRA. Un team che vuole che il modello mantenga una nuova procedura operativa in ognuna delle sue interazioni non lo è.

Due documenti, un benchmark, risposte opposte

Il rapporto tecnico che accompagna questa release è datato 14 ottobre e porta il numero che ha viaggiato più lontano senza il suo contesto. NVIDIA riporta che il checkpoint NVFP4 rilasciato raggiunge un recupero mediano dell'accuratezza del 99,62% rispetto a BF16 su 36 benchmark, dopo l'aggressiva ricetta di quantizzazione post-training seguita da 200 iterazioni di distillazione quantization-aware basata su SFT — con l'encoder visivo C-RADIO, il connettore VL, le convoluzioni Mamba e gli embedding lasciati in BF16 e il calcolo del router lasciato in FP32, secondo la tabella per modulo del rapporto.

Il "recupero dell'accuratezza mediana" è una mediana di rapporti, non un minimo. Per ottenere il 99,62% il report calcola un rapporto di punteggio per ogni benchmark e prende quello centrale sui 36, quindi il titolo ti dice che il benchmark tipico si colloca circa quattro decimi di punto percentuale sotto la piena precisione, e assolutamente nulla sulla coda. La tabella del report stesso mostra la coda: Tau3 Banking al 94,20%, la suddivisione di problem-solving di SciCode al 93,63%, MMLU-ProX al 95,90% — e nella direzione opposta GDPVal al 111,53% e Terminal-Bench v2.1 al 103,47%, perché la quantizzazione può collocarsi sopra il riferimento BF16 in una singola esecuzione.

Poi confronta la scheda del modello, e la storia diventa più interessante di una coda. La scheda del modello NVFP4 di NVIDIA stessa pubblica una tabella BF16 contro NVFP4 per lo stesso checkpoint, e su di essa Terminal-Bench 2.1 riporta 66,70 contro 60,80 — la build quantizzata è inferiore del nove per cento. Nella tabella full-suite del report tecnico, lo stesso benchmark riporta 60,67 contro 62,78, con la build quantizzata in vantaggio. Stesso modello, stesso benchmark, stessa famiglia di harness di valutazione, due documenti NVIDIA, direzioni opposte. La scheda mostra anche WebVoyager a 77,72 che scende a 66,31 e DeepSWE a 24,65 che scende a 18,2, nessuno dei quali è la versione della storia che si ottiene da un titolo del 99,62%.

Non è uno scandalo — tabelle diverse possono avere configurazioni di harness diverse e la tabella del report riporta una percentuale di recupero accanto a ciascuna riga — ma significa che la risposta onesta a "NVFP4 mi costa accuratezza" è: sulla maggior parte delle righe pubblicate, a malapena; sulle righe in cui lo fa, più di quanto la mediana implichi; e i due documenti del fornitore non concordano su quali righe siano. Se il tuo carico di lavoro è lavoro agentico da terminale, rimisuralo tu stesso invece di scegliere una tabella.

L'aritmetica del deployment, al contrario, è inequivocabile ed è l'argomento più forte a favore della build quantizzata. Il repository BF16 totalizza 248,9 GB di file di checkpoint e il suo quick-start lo serve su 4× H100. Il repository NVFP4 totalizza 75,06 GB, che il report colloca a 4,82 bit per parametro incluse le scale, e che entra in un H200, un GB200 o un singolo DGX Spark. Su un GB200 il report indica fino a 4.856 token di output/s/GPU su un workload agentico proxy a 20 turni mantenendo almeno 50 token/s/utente, con NVFP4 a 2,43× il throughput di BF16 sullo stesso workload, e il modello a 2,34× e 1,90× il throughput di Qwen3.5-122B-A10B e Qwen3.8 Flash-Next. Tutti questi sono dati misurati da NVIDIA, sullo stack di serving di NVIDIA, alla concorrenza scelta dalla recipe.

Un ulteriore quarto del rilascio è facile da lasciarsi sfuggire, e conta se in futuro il tuo fine-tune diventerà oggetto di discussione. Il rapporto descrive una passata di contaminazione sui dati di post-training che ha rimosso 20.671 campioni — circa lo 0,09%, suddivisi in 14.793 campioni SFT e 5.878 campioni RL — corrispondenti a 1.808 domande di benchmark, ovvero il 6,0%, in 22 dei 30 benchmark verificati, con circa il 3% delle coppie candidate giudicate segnalate come contaminazione grave. La maggior parte dei rilasci open-weights non pubblica alcuna metodologia di pulizia. Averne una che puoi citare vale più di quanto sembri quando un cliente ti chiede perché i numeri di eval del tuo fine-tune sono quelli che sono.

Come questo cambia ciò che puoi fare questa settimana

Ora sono possibili tre cose concrete che non lo erano prima del 12 ottobre.

Il primo è un agente per i filing finanziari che puoi costruire senza una conversazione sulla licenza dei dati — con un'avvertenza allegata. I repository finanziari coprono l'intero ciclo: 63.056 esempi SFT basati su documenti relativi a sette anni di filing S&P 500, 90.307 record RL di tool-calling su un ambiente di ricerca SEC live, 7.878 esempi multi-turno di tool-calling per il livello comportamentale, e 10.185 attività RL con il contesto del filing omesso, così che il recupero faccia parte dell'attività. L'avvertenza è la deroga documentata sopra: solo estratti, allegati esclusi, materiale protetto da copyright di terzi rimosso, e le questioni che restano di responsabilità degli emittenti. Questa è una posizione ben documentata più che una posizione netta, ed è il set in cui dovresti leggere la scheda prima del codice.

Il secondo è l'uso agentico degli strumenti, ed è il verticale meglio supportato del rilascio. Tra i 634.664 record di Nemotron-SFT-Agentic-v4, il set di seed da 100.000 record per l'uso conversazionale degli strumenti con i suoi scenari di ospitalità, e-commerce, bancario e assicurativo, e gli ambienti NeMo Gym a cui rimandano le card, l'intera pipeline è descritta dall'inizio alla fine: generare traiettorie, eseguire conversazioni simulate, addestrare con ricompense verificabili, valutare nell'harness che lo stesso fornitore ha utilizzato. Qualunque cosa si pensi del modello, questa è una ricetta pubblica completa per trasformare un modello generico visione-linguaggio in un agente che chiama strumenti, ed è la parte che un tempo era conoscenza tribale.

Il terzo è una baseline di equità su cui puoi effettivamente iterare. Nemotron-SFT-BBQ-v1 è composto da 6.000 record e 8,0 MB, è bilanciato 2.000/2.000/2.000 tra età, aspetto fisico e disabilità, e le sue conversazioni sono scritte in modo che la risposta basata sulle prove e quella basata su assunzioni siano entrambe plausibili. Con quelle dimensioni puoi eseguirlo, valutarlo e rieseguirlo in un pomeriggio, il che trasforma «come hai testato questo» da un problema di approvvigionamento in un esperimento.

Provarlo senza scommettere un percorso di produzione su di esso

La parte scomoda di questo rilascio è il deployment, non i dati. Il checkpoint BF16 richiede quattro H100 e quello quantizzato ne richiede una singola H200 o GB200, i pesi aperti sono su Hugging Face, e il percorso del fornitore stesso verso un endpoint ospitato è NVIDIA NIM, con la newsroom che cita anche piattaforme di terze parti. Noi non serviamo questo modello, quindi se vuoi un endpoint gestito, l'API del fornitore stesso e diverse piattaforme di terze parti sono dove cercare; ciò per cui un router è utile qui è il resto della decisione.

Una sola chiave per oltre 200 modelli al prezzo di listino del provider con markup dello 0% significa che confrontare la build NVFP4 con qualunque modello di testo tu usi oggi costa il cambio di una singola riga anziché un secondo contratto con un fornitore, e il failover automatico tra provider significa che un carico di lavoro che stai solo testando può convivere con il traffico di produzione senza che l'uno dipenda dall'altro. Questa è la forma di una decisione che puoi invertire — ed è proprio ciò che vuoi da un modello la cui documentazione ha due giorni e le cui stesse tabelle di benchmark si contraddicono a vicenda.

La sequenza pratica è: prendere Nemotron-SFT-BBQ-v1 o una porzione del set agentico, eseguire un LoRA su una H200 a noleggio per dimostrare che il tuo ciclo funziona, assegnargli un punteggio in base alla tua valutazione, e solo allora decidere se la build a piena precisione da 249 GB e quattro GPU valgono la pena. I dataset sono gratuiti da scaricare e quelli piccoli sono gratuiti da eseguire. Nulla in quel piano ti obbliga a credere a una mediana del 99,62%.

Cosa manca ancora

Tre lacune meritano attenzione perché cambiano i calcoli, non il marketing.

Il primo è la valutazione indipendente dei risultati messi a punto. Ogni numero post-addestramento in questa release — il passaggio da 62,7 a 71,9 su Terminal-Bench grazie all'esecuzione parallela degli agenti e all'autoverifica, il passaggio da 24,6 a 34,5 su DeepSWE nello stesso esperimento, il miglioramento del 41% dell'accuratezza presso AI21, la riduzione dei costi di 40× presso Scale AI — proviene dall'harness di NVIDIA o da una misurazione del cliente stesso. Non esiste una terza parte che abbia riprodotto un fine-tuning di Nemotron 3.5 Super VL su questi dataset e ne abbia pubblicato il risultato. Finché non ce ne sarà una, considerate le dimensioni dell'effetto come un limite superiore.

Il secondo è il percorso video. Il modello accetta MP4 fino a due minuti a 2 FPS e 256 fotogrammi, oppure 1 FPS e 128 fotogrammi per 1080p, con un tasso di pruning di 0,5 — e non c'è alcun dataset pubblico di post-training video in questo rilascio. Ogni repository sopra è testo, e i set di traduzione e trasduzione sono testo a contesto lungo piuttosto che qualcosa di visivo. Se il tuo caso d'uso è la comprensione video che la model card pubblicizza, NVIDIA ha rilasciato la funzionalità senza i dati per specializzarla.

Il terzo è che nessuno ha pubblicato cosa fanno questi dataset a un modello che non sia Nemotron. Tutti e undici sono stati creati per produrre la miscela di post-addestramento di un modello — le schede sono esplicite sul fatto che alcuni set consolidano versioni precedenti specifiche di Nemotron, e il set di seed conversazionale è descritto come i dati seed per un set pivot piuttosto che una generazione ex novo. Se il corpus agentico si trasferisca a un diverso backbone da 120B è una questione aperta, ed è la prima a cui un team con uno stack di fine-tuning esistente vorrà una risposta.

Tutte e tre le lacune sono di quelle che si colmano con il lavoro di qualcun altro piuttosto che di NVIDIA, il che è la traiettoria tipica di un rilascio aperto. I pesi sono scaricabili oggi, i dati sono scaricabili oggi, e il primo fine-tuning indipendente credibile è ciò che ti dirà se qualcosa di tutto ciò vale il tempo della GPU.