2026. július 10., péntek · Eszközök

NVIDIA Nemotron 3 Ultra teljesítménye javítható LangChain harness profilok segítségével, finomhangolás nélkül

Az NVIDIA technikai blogja bemutatja, hogyan lehet a Nemotron 3 Ultra nyílt forráskódú modell ágensalapú rendszerekben elért pontosságát a LangChain Deep Agents harness profilok testre szabásával növelni, anélkül hogy finomhangolásra lenne szükség. A módszer lényege egy iteratív fejlesztési ciklus: kiértékelés futtatása, hibaelemzés, harness profil módosítások (például promptváltoztatások, middleware beillesztése), javítás ellenőrzése, majd újrafuttatás. Az NVIDIA szerint ez lehetővé teszi, hogy a modell megközelítse a zárt, drágább frontier modellek pontosságát. Az automatizálást az úgynevezett agentic proposer.

Miért fontos?

A módszer lehetővé teheti nyílt modellek olcsóbb alkalmazását ágensrendszerekben, csökkentve a zárt frontier modellektől való függést.

Források

NVIDIA Technical Blog Hivatalos

Említve a tudásbázisban

Kapcsolódó témák

Napi összefoglalók AI eszközök #NVIDIA Nemotron#LangChain

Napi összefoglaló

Ez a hír a 2026. július 10., péntek napi AI összefoglaló része.

Kapcsolódó hírek

Az NVIDIA Nemotron 3 Nano modell testreszabása percek alatt elvégezhető a Prime Intellect Lab platformon

Az NVIDIA technikai blogján közzétett útmutató szerint a Nemotron 3 Nano nyílt modell testreszabása a Prime Intellect Lab platformmal mindössze öt perc helyi beállítást igényel. A bemutatott munkafolyamat három lépésből áll: kiindulási teljesítmény mérése, megerősítéses tanulás (reinforcement learning) futtatása egy Python matematikai környezetben, majd az eredmények kiértékelése – a folyamat végén letölthető LoRA adapter jön létre. Az NVIDIA szerint a testreszabás után jelentős pontosságjavulás érhető el. A blogbejegyzés kiemeli, hogy ugyanez a folyamat alkalmazható a nagyobb Nemotron 3 Super és Ultra modellekre is, a nyílt súlyok, adatok és tanítási receptek pedig a reprodukálhatóságot és az átláthatóságot szolgálják. A megoldás lényege, hogy az infrastrukturális és szaktudásbeli akadályokat a felhőalapú platform nagymértékben csökkenti.

Ethernet-hálózatok újragondolása AI-gyárak számára: NVIDIA és Meta bejelentése

Az NVIDIA saját közleménye szerint Spectrum-X Ethernet nevű architektúrája hardveres gyorsítású adaptív útvonalválasztással, célzott torlódáskezeléssel és NIC-alapú terheléselosztással old meg olyan problémákat, amelyekkel a hagyományos Ethernet nem birkózik meg óriási GPU-klaszterekben. A vállalat saját mérései szerint hibaátállásnál 2,68 ezredmásodperces a késleltetés a hagyományos Ethernet 1,08 másodpercéhez képest. Ezzel párhuzamosan a Meta bejelentette a MetaRoCE nevű, saját fejlesztésű RDMA-átviteli protokollját, amelyet milliós GPU-számú AI-infrastruktúrára terveztek, és amelynek specifikációját, referencia-implementációját az Open Compute Projecten keresztül teszi elérhetővé.

AWS központi katalógust hozott létre AI-ügynökök és MCP-szerverek felfedezésére

Az AWS hivatalos bejelentése szerint közzétette az Agentic Resource Discovery (ARD) nyílt specifikációt, amely az AI-ügynökök, eszközök és Model Context Protocol (MCP) szerverek felfedezését hivatott egységesíteni. Ehhez kapcsolódóan bemutatták az AWS Agent Registry szolgáltatást, egy központi, kereshető katalógust ügynökök, MCP-szerverek és eszközök számára. A rendszer regisztrációkra és rekordokra épül: adminisztrátorok hozzák létre a katalógust, közzétevők írják le erőforrásaikat, kurátorok hagyják jóvá vagy utasítják el a bejegyzéseket, a felhasználók és AI-ügynökök pedig hibrid (szemantikus és kulcsszavas) kereséssel találják meg a jóváhagyott erőforrásokat. Az AWS állítása szerint ez megoldja, hogy a szervezetekben elszigetelten kezelt AI-eszközök ne skálázódjanak egyetlen kliensen túl.

AWS: mesterséges intelligenciával automatizált metaadat-javítás és harmonizálás

Az AWS hivatalos blogbejegyzése egy munkafolyamatot mutat be, amely nagy nyelvi modellek segítségével automatizálja a különböző forrásokból származó adathalmazok metaadatainak összehangolását. A cég állítása szerint a rendszer az Amazon Bedrock szolgáltatást használja sématovábbítási javaslatokhoz, míg az S3 tárolja a sémákat és eredményeket, a DynamoDB a feladatokat követi, a Cognito hitelesít, az ECS pedig a számítást biztosítja. A leírás szerint a folyamat a feltöltött fájlok párhuzamos ellenőrzésével indul: a sémastruktúra egyezését és az egyes mezők értékeit is vizsgálja. Hibák esetén a rendszer célzott javítási javaslatokat generál, amelyeket a felhasználó hagy jóvá, így emberi felügyelet mellett vagy teljesen autonóm ügynök-alapú munkafolyamatként is működhet.