Как обучить агента поиску: Data Designer NVIDIA

Что в ролике
Если вы строите агента, которому нужно искать в интернете, главная проблема — где взять данные, чтобы обучить его этому. NVIDIA Data Designer — открытый фреймворк для создания синтетических данных: вы описываете пайплайн из сидов, сэмплеров и LLM-колонок (в примере используется локальная GPT-OSS 120B), а затем получаете датасет, и за время существования инструмента с его помощью создано 6,5 триллиона токенов. Мастер-класс построен вокруг трёх ноутбуков: основы Data Designer, работа с MCP и обучение поиску, для запуска нужны машина с GPU и ключ Tavily Search API. В первом ноутбуке из тем Википедии генерируются пары «вопрос-ответ» с колонкой сложности и оценкой LLM-судьёй. Во втором добавляется MCP-инструмент Tavily, и модель вместо готового ответа должна сама сделать поисковый запрос, получить результаты и сформировать траекторию. Третий ноутбук показывает ключевой приём: из графа Wikidata делают случайные блуждания на 4–8 шагов, превращают их в загадки вроде «какая компания основана человеком, учившимся в колледже, округ которого назван в честь Томаса Харта Бентона», а затем агент ищет ответ в интернете и отдаёт JSON с URL. После фильтрации из 50 000 сидов осталось 7 000 качественных SFT-записей, и обученная модель подняла точность на бенчмарке BrowseComp с 0 до 30 процентов; оценка данных — отдельная боль, потому что даже Wikidata-сиды устаревают. Качество данных проверяют LLM-судьёй, перекрёстной сверкой с людьми и актуальной информацией, а в конце автор показывает датасет из 1 миллиона синтетических персон на основе переписи.
Практика
- Что получишь
- Пошаговый рецепт, как превратить задачу (например, поиск) в пайплайн синтетических данных: от сидов и сэмплеров до готового датасета и оценки качества. Сможете собрать обучающие данные для агентного поиска и понять, как оценивать их качество.
- Первый шаг
- Зарегистрироваться на Tavily для бесплатных 1000 кредитов, затем открыть GitHub-репозиторий автора с ноутбуками и запустить первый из них на машине с GPU.
- Цифры
- —6,5 триллиона токенов — объём данных, созданных с помощью Data Designer на момент мастер-класса
- —1000 кредитов — бесплатный лимит Tavily Search API для новых пользователей
- —50 000 сидов → 7 000 SFT-записей — сколько исходных данных пришлось просеять для обучающего набора поиска
- —0% → 30% — рост точности модели на бенчмарке BrowseComp после обучения
- Честно
- Автор — сотрудник NVIDIA и показывает собственный опенсорс-инструмент Data Designer, в конце просит поставить звезду на GitHub. Для повторения нужны машина с GPU и ключ Tavily Search API: бесплатно дают 1000 кредитов, дальше тарифы платные; Tavily выбран из-за договорённости NVIDIA, но можно взять Exa или свой поисковый инструмент. Код в мастер-классе проходится быстро, часть деталей видна только на экране, но все ноутбуки и слайды выложены в открытый репозиторий автора.
Если слова незнакомы — 8 терминов
- синтетические данныеданные, сгенерированные моделью, а не собранные вручную
- MCPстандарт, по которому агент подключает внешние инструменты (поиск, базы данных)
- сидисходная запись, от которой отталкивается генерация (например, тема из Википедии или сущность Wikidata)
- сэмплер-колонкаколонка, задающая разнообразие значений вручную, без вызова LLM
- траекторияпоследовательность шагов агента — запрос, вызов инструмента, результат
- SFTsupervised fine-tuning, дообучение модели на готовых парах «вопрос-ответ»
- LLM-судьядругая языковая модель, которая оценивает качество сгенерированных ответов
- бенчмаркстандартизированный тестовый набор для измерения способностей модели
Связки из этого ролика
7 шт.- Python
- Jinja
- Wikipedia
- Wikidata
- JSON
- CSV
- Parquet
Компоненты
10 шт.Формат: пошаговый урок · для практикующих · уверенность разметки 0.85 · источник