NVIDIA 详细介绍了 Nemotron 基于 Persona 的微调工作流程

NVIDIA 发布了一套 Nemotron 开放模型的后期培训流程，使其能够更紧密地遵循本地规则、术语和服务流程，而非仅依赖通用语言能力。公司表示，该方法旨在帮助开发者根据市场调整代理，利用基于本地的合成人物和官方程序文本，提升公共服务用例的响应质量。

证据与背景

在2026-10-27年发布的一篇博客文章中，NVIDIA表示，他们与法国人工智能初创公司Pleias合作开发了Nemotron-Personas-France，与Pleias和KU Leuven合作开发了Nemotron-Personas-Belgium。这两个数据集都是开放的NVIDIA Nemotron数据计划的一部分，该公司表示该项目包含12国家的基于位置的用户名数据集。NVIDIA将这些人格描述为基于区域人口、地理、语言和文化分布的合成居民，旨在扩大需要本地精确化应用的培训覆盖范围。

该帖子对比了法国护照问题的通用模板答案与基于官方程序的精细调整回答。NVIDIA表示，未经调整的回复可能错误地建议邮寄申请，而有文档的流程要求无法出行的申请人需官员上门访问。公司还指出护照盖章的价格差异，引用了法属圭亚那和法国本土€86的€43护照印花价格差异。这些数据作为示例工作流程的一部分在帖子中呈现，而非市场数据。

NVIDIA表示，该工作流程首先定义行为契约，包括目标受众、任务、语言、基础规则、安全限制和输出结构。随后，它使用了以人格为导向的合成数据生成、过滤、LoRA微调、适配器合并以及对冻结的保留数据集进行并排评估。公司表示，Nemotron仓库在NeMo开放训练栈上提供了可重复使用的数据生成、培训和评估步骤，该示例使用了法国公共服务任务，如身份证件和车辆登记。

根据帖子，实际设置需要通过 Python 3.11 3.13、uv、Git、Docker、NVIDIA Container Toolkit 以及访问 Nemotron 仓库。NVIDIA 还为示例指定一了 NVIDIA DGX Station GB300 或 一 NVIDIA DGX Spark，同时表示该工作流程可以适配到其他 NVIDIA GPU 系统。教程使用 Nemotron 3.5 Lightning 作为生成器模型，并指导用户在 Provider 聊天模板配置中将 enable_thinking 设置为 false 来禁用合成数据运行中的推理痕迹。

NVIDIA表示，仅仅降低训练损失不足，应直接将适应模型与基础模型在相同冻结提示下进行比较。帖子列出了评估切片，包括任务正确性、法国质量、地点匹配度、安全性、稳健性和保留率。声明指出，预期结果是一个提供真正例外的模型，比如上门访问和近期医疗证明，而不是发明无依据的程序。

博客还提到了与 Nemotron 生态系统相关的工作，包括根据提供的背景于2026-10-21发布的 NeMo Data Designer v0.9.7，以及同日报告的 NVIDIA 代理工具包变更。背景资料指出，NeMo Framework 仍然是更广泛的模型开发栈，而 NeMo 微服务在 2026-10-01 上终止，NeMo Agent Toolkit 于 2026-10 年弃用，且将于 2026年底前终止生命。这些生命周期通知适用于指定的工具，而非整个 NeMo 框架。

该帖子未提供角色数据集的商业术语、性能基准或采用数据。它将工作流程框架为提升领域特定助手一致性、本地性和安全性的方法，同时提醒角色接地提升覆盖率，但不保证公平或适当代表。