Hugging Face 拉上 NVIDIA，给 Agent 训练补数据
Hugging Face 与 NVIDIA 联合推出 Data for Agents 开源数据计划，直指 Agent 训练最缺的一环——真实任务轨迹数据。这或许是 2026 年 Agent 能力再上一个台阶的关键伏笔。
Agent 卡在哪儿？不是模型，是数据
Hugging Face 和 NVIDIA 昨晚在 Hugging Face 官方博客悄悄推了一个叫 Data for Agents 的联合计划。名字很朴素，但看完内容，我觉得这是过去半年里最值得开发者认真研究的一件事——比起动辄发布一个新模型，这次两家公司要解决的是一个更底层的问题：训练 Agent 到底应该喂什么数据。
过去两年，行业对 Agent 的兴趣曲线是很明显的：2024 年大家在拼推理，2025 年下半年开始，AutoGPT 之后的第二波 Agent 浪潮真正起来了，Claude Code、Cursor Agent、Devin、Manus 这些产品让工程侧看到了实际生产价值。但一个心照不宣的事实是——几乎所有能打的 Agent 系统，背后模型的 agentic 能力都是通过后训练硬堆出来的，堆的方式无非两种：合成数据 + RLHF/RLAIF，或者拿闭源产品的用户日志偷偷回流。
前者的问题是分布太窄，后者的问题是不合规，而且中小团队根本拿不到。整个开源生态在 Agent 训练数据这件事上，其实一直处在饥荒状态。
Data for Agents 到底是什么
简单概括，Data for Agents 是一个开源的、大规模的、面向真实任务的 Agent 轨迹数据集与配套工具链。Hugging Face 出平台和社区，NVIDIA 出算力和合成数据管线（Nemotron 那一套的延伸），双方要做三件事：
- 公开一批高质量的 Agent 轨迹，覆盖代码、浏览器操作、桌面 GUI、多工具协作等场景，量级据博客里透露是「数百万条 trajectory 级别」，且每一条都带完整的观测-推理-动作-结果链路。
- 提供数据合成与筛选的完整 pipeline，让社区可以用自己的场景生成更多可训练数据，而不是只靠这批种子数据。
- 建立评估基线，把训练数据和评测集彻底解耦，避免 SWE-bench 那种「训练时不小心把测试集也 leak 进去」的老问题。
对开源社区来说，第一条最直接的价值是——终于有 Llama、Qwen、DeepSeek、GLM 这些开源模型可以拿来做 SFT/RLHF 的 agentic 后训练语料了。而在此之前，你要么用 ShareGPT 那种早期对话数据（跟 Agent 场景根本不匹配），要么就得自己搭一套模拟环境采集，成本极高。
为什么是这两家做
这个组合其实有点意思。表面上看，Hugging Face 是社区平台，NVIDIA 是硬件公司，两者搭在一起像是「一个出货一个出电」。但如果你追一下 NVIDIA 过去一年的动作，会发现他们在数据这块布了很多局：
- Nemotron-4 340B 那个模型本身就是当作合成数据生成器在做的
- 收购 Run:ai 之后他们对训练 pipeline 的控制力大幅提升
- 今年年初推出的 Cosmos 数据管线专门做具身智能的轨迹合成
换句话说，NVIDIA 已经不满足于只卖 GPU 了，他们要往数据层渗透，把「训练一个 Agent」变成一个从数据到算力到模型的全栈生意。而 Hugging Face 缺的恰恰是大规模数据生产能力——他们有 Datasets Hub，但没有能力大批量生成高质量新数据。
所以这个合作本质上是**「NVIDIA 出数据工厂，Hugging Face 出分发渠道」**。看似互补，但也暴露了一个信号：未来 Agent 训练数据的话语权，正在从模型公司往基础设施公司转移。
数据长什么样
博客里给了几个数据样本的结构示意，简化一下大致是这样：
{
"task_id": "web-nav-00123",
"instruction": "在 arxiv 上找到 2025 年 6 月之后关于 MoE 路由稳定性的论文，导出 BibTeX",
"environment": "chromium-browser",
"trajectory": [
{
"step": 1,
"observation": "<html>...arxiv search page...</html>",
"thought": "我需要先构造搜索关键词，然后按日期过滤",
"action": {"type": "type", "selector": "#search", "text": "MoE routing stability"},
"result": "success"
},
{
"step": 2,
"observation": "...",
"thought": "结果太多，需要用 advanced search 限定日期",
"action": {"type": "click", "selector": ".advanced-search"},
"result": "success"
}
],
"final_answer": "[BibTeX entries]",
"reward": 1.0,
"metadata": {
"length": 14,
"tools_used": ["browser"],
"difficulty": "medium"
}
}
注意几个细节：
- 每一步都带 thought，也就是显式的推理链。这对 SFT 训练思考过程非常关键，也是 o1/R1 之后大家都很关注的一点。
- 有 reward 信号，意味着这批数据可以直接用于 RL 训练，而不只是 SFT。
- 有 failure trajectories（博客里提到了，但样本没贴），这个很重要——只训练成功轨迹的模型会过度乐观，遇到中途报错就放弃。
从数据设计角度看，做这事的人是懂 Agent 训练的。这不是简单地把 GPT-4o 跑一堆任务然后 dump 日志那种糊弄事的做法。
场景覆盖：不再只是代码
过去开源的 Agent 数据集，绝大多数都在两个方向上——代码（因为有 GitHub 数据）和网页浏览（因为有 WebArena 之类的模拟器）。Data for Agents 明显在往外扩：
- 软件工程类：多文件仓库级别的修改、依赖分析、测试驱动开发
- 桌面 GUI：Word、Excel、Photoshop 这类真实软件的操作（这块 NVIDIA 显然用了很多合成环境）
- 数据分析：从原始表格到出结论的完整链路，包含 SQL、Pandas、可视化
- 多 Agent 协作：一个「主管 Agent」调度多个「工人 Agent」的场景
- 长程规划：任务长度中位数据说达到 30+ 步，比现有公开数据集高一个数量级
最后一条其实是最难做的。 现在开源模型跑 Agent 有个普遍问题：短任务（5 步以内）表现还行，一旦超过 10 步就开始飘。核心原因就是训练数据里长任务样本太少，模型没见过。这次数据集直接把长任务作为重点场景，是有针对性的。
对开源模型意味着什么
我倾向于认为，Data for Agents 会在未来 3-6 个月内显著抬高开源 Agent 模型的能力下限。理由有三：
第一，数据质量本身够。NVIDIA 的合成数据能力经过 Nemotron 系列已经验证过，配合人工筛选（博客里提到有一个 verifier pipeline），这批数据的信噪比会比社区自采数据高很多。
第二，工具链是开放的。这意味着 Qwen、DeepSeek、GLM、Llama 这些团队可以直接把这套 pipeline 接到自己的训练流程里，不用重新造轮子。过去大厂间的差距很多时候不是模型架构，而是数据 pipeline 的成熟度——这一层被拉平后，追赶的速度会明显加快。
第三，评测和训练解耦这一点做得很干净。开源社区一直诟病 SWE-bench 之类的评测被「训练时污染」，导致排行榜上的分数虚高。Data for Agents 明确划分了训练子集和保留评测集，长期看对整个生态的健康度都是加分项。
当然，也不必过度乐观。合成数据的天花板是存在的——它能覆盖你能想到的任务，但覆盖不了你想不到的长尾。真实生产环境里 Agent 挂掉的场景，往往是那些奇怪的、边缘的、你根本没设计过的输入。这一块只能靠真实用户日志去补，而这条路开源社区大概率还是走不通。
一个稍微冷一点的观察
有件事博客里没直说，但很值得琢磨：这次合作里 OpenAI 和 Anthropic 都不在场。
过去两年 Hugging Face 和很多闭源模型厂商保持着若即若离的关系——大家会在 HF 上发权重（如果开源的话），但深度的数据合作几乎没有。这次跟 NVIDIA 直接结盟，等于是明牌押注开源阵营。而 NVIDIA 作为「军火商」，本来是应该保持中立的，现在也开始有明显倾斜。
这背后反映的是一个更大的趋势：闭源模型公司在数据护城河上越来越封闭，逼得开源阵营必须联合起来做基础设施。 未来一年，我们可能会看到更多类似的「基础设施联盟」出现，可能是数据、可能是评测、可能是安全对齐，共同的特征是——绕开 OpenAI/Anthropic 的技术标准，另起炉灶。
开发者可以怎么用
对独立开发者和中小团队来说，短期最实际的用法有几种：
- 微调自己的垂类 Agent。比如你在做一个专门跑金融数据分析的 Agent，可以从 Data for Agents 的数据分析子集里挑相关轨迹做 SFT，效果比零样本 prompt 强得多。
- 构建评测基线。用它的保留评测集给自己的 Agent 系统打分，比闭门自测靠谱。
- 学习轨迹设计。就算你不训练模型，只做 Agent 应用，看看人家的 trajectory 是怎么设计 thought-action-result 的，对你写 prompt 和 tool schema 都有启发。
数据集本身在 Hugging Face Hub 上会分批放出，第一批据说本周内上线。工具链的代码仓库同步在 GitHub 开放。
尾声：Agent 训练进入「数据竞赛」
2023 年是模型规模竞赛，2024 年是推理能力竞赛，2025 年下半年开始，Agent 能力竞赛的主战场其实已经在悄悄转移——从「谁的模型底子好」变成「谁的训练数据更贴近真实任务」。
Data for Agents 是这个趋势里第一个像样的开源答卷。它未必立刻改变格局，但它开了一个头：Agent 训练数据不应该继续是几家闭源公司的私产。
顺便一提，如果你在做 Agent 应用开发，需要同时对比 GPT、Claude、Gemini、DeepSeek 这些模型在具体任务上的表现，OpenAI Hub 目前已经把这些主流模型都接入了，一个 Key 直接切换，国内直连兼容 OpenAI 格式，做 Agent 对比测试挺省事。这次 Data for Agents 的数据出来后，微调过的开源模型陆续上线时，我们也会第一时间接入。
参考来源
- Hugging Face 官方博客：Data for Agents - Hugging Face 与 NVIDIA 联合发布 Data for Agents 的官方公告，包含数据集设计理念、场景覆盖、pipeline 说明
