NVIDIA의 Hugging Face 글 ‘Data for Agents’는 Nemotron을 단순한 모델 공개 뉴스로 다루지 않는다. 글의 출발점은 에이전트가 벤치마크처럼 정돈된 문제를 푸는 존재가 아니라는 데 있다. 깨진 API 호출, 처음 보는 워크플로, 도구 사용 실패, 검색과 실행의 엇갈림을 견디려면 모델 가중치만으로는 부족하다. 어떤 데이터가 그런 행동을 만들었는지 설명할 수 있어야 한다.
그래서 글은 Nemotron open data의 범위를 크게 잡는다. 10조 개가 넘는 pre-training token과 수백만 post-training sample, Nemotron-CC, Nemotron-CC-MATH, Nemotron Pretraining 같은 데이터셋과 컬렉션이 함께 언급된다. 여기서 핵심 재료는 software engineering trace, tool-use failure, multi-step reasoning, retrieval, safety, user simulation, workflow execution이다. 에이전트의 품질은 정답률보다 실패 후 복구 경로에서 더 잘 드러난다.
가장 흥미로운 장치는 Nemotron Post-Training v3 Prompt Atlas다. 각 점이 하나의 prompt sample이며, Nemotron v3 post-training collection을 실제 데이터 mixture 비율에 맞춰 volume-sampled한 인터랙티브 지도다. dataset, pipeline stage, domain, tool use 기준으로 색을 바꾸고 필터링하면서 coding algorithms, safety, math, agentic behavior 같은 군집을 살펴볼 수 있다. 데이터셋을 표로 공개하는 데서 끝내지 않고, 사람이 데이터의 지형을 직접 탐색하게 만든 접근이다.
글이 합성 데이터를 낙관만으로 포장하지 않는 점도 중요하다. Bryan Catanzaro의 “every company is built around a secret”라는 말처럼, 에이전트에 가장 유용한 데이터는 대개 조직 내부의 workflow, corpus, customer pattern에 있다. 그대로 공개하기 어렵지만, 모두가 같은 좁은 데이터 풀만 쓰면 모델 행동도 비슷해진다. 합성 데이터는 이 신호를 일부 보존하면서 원천을 노출하지 않는 현실적인 타협안이다.
다만 합성 데이터는 안전한 복사본이 아니다. 글은 synthetic thresholds라는 표현으로, real workflow, human feedback, model-generated trace, simulated user, synthetic label이 섞이는 순간 무엇을 실제로 볼지 문서화해야 한다고 말한다. 무엇이 생성됐고, 무엇이 grounded됐고, 누가 검토했으며, 어떤 평가 목적을 위한 데이터인지 남기는 습관이 필요하다.
Nemotron-Personas는 품질이 지역적이라는 점을 보여준다. 영어 인터넷 데이터로 훈련한 toxicity classifier는 한국어나 일본어처럼 높임말과 관계의 뉘앙스 속에 공격성이 숨어 있는 언어를 놓칠 수 있다. NVIDIA는 지역 인구·지리 통계를 반영한 합성 persona 컬렉션이 10개 국가, 24억 명 이상을 대표한다고 설명한다. 에이전트가 실제 사용자를 지원하려면 전역 평균이 아니라 현지 언어와 문화의 검토가 필요하다.
결국 이 글의 결론은 꽤 선명하다. 에이전트 시대의 희소 자원은 더 많은 토큰이 아니라 조직 사이의 신뢰다. 오픈 웨이트는 출발점이고, 공개 가능한 합성 데이터와 lineage, review, 탐색 가능한 atlas가 그 다음 인프라가 된다.