· AI Engineer World's Fair 2026
Обучение agents поиску с помощью NVIDIA Data Designer
Teaching Agents to Search with NVIDIA Data Designer — Dhruv Nathawani, NVIDIA
Чтобы научить модель искать в вебе, можно построить синтетический конвейер из seed-данных, где качество задаётся фильтрацией и проверкой, а не объёмом.
- Seed из случайных обходов Wikidata — случайные блуждания длиной 4–8 переходов по графу превращаются в многошаговые вопросы-загадки, на которые модель не ответит по памяти и должна искать. Более длинные обходы, по словам спикера, уходят от темы, поэтому он взял этот диапазон эвристически.
- Перегенерация и фильтрация — по словам спикера, из 50 000 seed получилось 7 000 готовых end-to-end записей для SFT, и после обучения на них BrowseComp вырос с 0% до 30%. Это заявления автора, независимо они не проверялись.
- Проверка на нескольких уровнях — детерминированные сравнения, LLM-as-a-judge, решения которых сверяют люди, и актуальные данные из поиска. Даже seed-факт может устареть: модель дала ответ, верификатор его засчитал, а позже выяснилось, что факт уже не актуален.
- Дешёвые типы колонок и ручной просмотр — сэмплеры пишутся на Python, а LLM используется только там, где нужен текст. Перед запуском спикер смотрит превью глазами, а рецепт генерации хранит в git как код, который можно поправить и передать.
Кому полезно: тем, кто хочет дообучить модель под конкретное агентное поведение, например поиск, и не имеет размеченных данных. Open source инструмент Data Designer установить через pip.
Статья по теме
Главы
Похожие доклады
Прокачка модели: RFT, DPO, SFT (fine-tuning с OpenAI)
AI Engineer World's Fair 2025
Близко по содержанию
Создание AI agents с веб-данными в реальном времени
AI Engineer World's Fair 2026
Близко по содержанию
Обучение LLM с нуля на локальном компьютере
AI Engineer Europe 2026
Близко по содержанию
Продвинутый практикум по наблюдаемости AI
AI Engineer World's Fair 2026
Близко по содержанию

