La boutique est ouverte

Nous construisons les machines Workstation AI pour les sites web, les agents IA et l'entraînement de LLM — configurez-les et achetez-les en ligne.

Obtenir les prix pro
Produits IA
Labs IAAgents OpenAIAgents ClaudeGrok BotCRM natif Workstation AIMarketingTous les produits
Solutions IA
IA appliquéeAgents IAIA générativeAutomatisation par IAMontée en compétence IAOffres IA pour PMELaboratoire IA d'entrepriseStations de travail IAMatériel et logiciels NVIDIACalcul accéléré NVIDIAIA privéeCloud privé GPUClusters GPUIA en périphérieIA par secteur
Services IA
Modernisation des plateformesIngénierie numériqueFondations data et IAOpérations autonomesConseil IAAutomatisation DevOpsCybersécuritéDéveloppement logicielCréation d'agentsMise en place MLOpsLocation de GPUCloud privé GPU
À propos
EntrepriseNotre histoirePartenairesTémoignages clients
Centres de données IA
Centres de données IACloud privé GPUClusters GPULocation de GPU
Analyses IASérie JevLabo de benchmarksChoix de modèles
Notes techniques
Documentation
OS LinuxUbuntuRed Hat Enterprise LinuxSUSE LinuxAlpine LinuxDebian, Rocky & AlmaLinux
Plateformes cloud d'IAAWS & Amazon BedrockGoogle Cloud & Vertex AIMicrosoft Azure & AI FoundryClouds et places de marché GPU
Centres de données IA privésPour les cabinets d'avocatsPour les cabinets comptablesPlateformes sur siteCloud entièrement sécurisé
OutilsRing PromoterJobshout
Actualités
Blog
Nous contacterSe connecter

Stations de travail IA, logiciels multi-agents IA, infrastructure GPU et solutions d'agents intelligents pour les entreprises modernes.

Nous contacter

Solutions IA

IA appliquéeAgents IAIA générativeAutomatisation par IAMontée en compétence IAOffres IA pour PMELaboratoire IA d'entrepriseIA par secteur

Produits

Tous les produitsCRM & ERP natifs Workstation AIMarketingAgents OpenAIRing PromoterJobshout

Entreprise

À proposEntrepriseCentres de données IAPourquoi WorkstationPartenairesTémoignages clientsTarifsContactTenthMatrix

Ressources

Analyses IANotes techniquesDocumentationOS LinuxPlateformes cloud d'IACentres de données IA privésBlogRechercherPlan du site
Bureau de Belgique
Workstation SRL, Rue Vanderkindere 34, 1180 Uccle, BrusselsBE 0751.518.683Lun - Ven : 9h00 - 18h00 CET
+32 492 45 67 46
Siège social au Royaume-Uni
77-79 Marlowes, Hemel Hempstead HP1 1LFItinéraire : prenez la sortie 20 de la M25, Outer LondonN° d'entreprise: 11641870Lun - Ven : 9h00 - 18h00 GMT
+44 7515 356 146
Bureau de l'Inde
#159 Sector 9, Pocket 1, DDA Flats, 110077 Dwarka, New Delhi
+91 98881 98841
Bureau de Taïwan
3F, No. 2-4, Aisi Rd., Ren'ai Dist., Keelung City 200, Taiwan基隆市仁愛區愛四路2之4號3樓Lun - Ven : 9 h 00 - 18 h 00, heure de Taïwan (GMT+8)
+886 926 892 701+32 492 45 67 46
Bureau en Estonie
Aleksander Puškini tn 30-25, 20306 Narva, EstoniaLun - Ven : 9 h 00 - 18 h 00, heure d’Estonie (EET)
+32 492 45 67 46

© 2026 Workstation AI. Tous droits réservés.

ConfidentialitéSuppression des donnéesCookiesConditions d'utilisationPlan du site web

NVIDIA, le logo NVIDIA, RTX, RTX PRO, Blackwell, CUDA, NVLink, MGX, Omniverse, Spectrum-X, Quantum, BlueField, DGX et HGX sont des marques commerciales et/ou des marques déposées de NVIDIA Corporation aux États-Unis et dans d'autres pays. AMD, le logo AMD Arrow, EPYC, Instinct, Ryzen et Threadripper sont des marques commerciales d'Advanced Micro Devices, Inc. Dell et PowerEdge sont des marques commerciales de Dell Inc. ou de ses filiales. Intel et Xeon sont des marques commerciales d'Intel Corporation ou de ses filiales. AMAX, AceleMax et LiquidMax sont des marques commerciales d'AMAX Engineering Corporation. Tous les autres noms de produits, logos et marques appartiennent à leurs propriétaires respectifs. Nous les utilisons uniquement pour identifier les produits que nous décrivons, fournissons ou prenons en charge ; leur utilisation ne signifie pas que leurs propriétaires nous cautionnent.

Accueil / Notes techniques / Technology
AIAI AgentsData

L'Agent Knowledge Foundation présentée à la GTC Berlin

Nemotron Parse, Embed et Rerank, cuVS, Auto-Ontology, cuDF et Kumo, et ce que Huang a dit du post-entraînement de Nemotron

9 novembre 2026Technology8 min read

Après le bac à sable, la keynote de Jensen Huang à la GTC Berlin s'est tournée vers ce qui rend un agent propre à une entreprise : ses connaissances. La diapositive derrière lui présentait l'Agent Knowledge Foundation. Les documents non structurés suivent un chemin. Les bases de données structurées en suivent un autre. Cet article suit cette diapositive, puis les exemples de partenaires qu'il a cités pour le post-entraînement de Nemotron, sans présenter aucun d'entre eux comme une étude de cas de Workstation.

Pourquoi un modèle de base n'est pas la mémoire de l'agent

L'ordre des éléments choisi par Huang était délibéré. D'abord le harnais, exécuté dans un bac à sable OpenShell. Ensuite, Nemotron comme modèle de langage. Ces deux éléments, a-t-il dit, ne sont qu'un début. Ce qui transforme un agent en ce qu'il a appelé un super-agent, c'est l'accès aux propres connaissances de l'entreprise. Les bibliothèques et les modèles dédiés à cette tâche sont ceux que NVIDIA a réunis sur une seule diapositive sous le nom d'Agent Knowledge Foundation.

Les données d'une entreprise se présentent sous deux formes. Les documents, PDF et autres fichiers qu'une IA doit lire. Et les lignes d'une base de données. La fondation est l'ensemble des bibliothèques qui extraient le sens des deux.

Flux : documents non structurés via Nemotron Parse, Embed, cuVS et Rerank ; données structurées via Auto-Ontology vers cuDF et Kumo

Le chemin des documents

De gauche à droite, sur la ligne non structurée de la diapositive :

  1. Nemotron Parse lit les documents. Huang l'a qualifié de premier plan mondial et de « top of leaderboard ». Il n'a pas précisé de quel classement il s'agissait. Nous n'en inventerons pas un.
  2. Nemotron Embed transforme une requête et les connaissances analysées en vecteurs afin de pouvoir les associer. Il a employé la même expression « top of leaderboard ».
  3. cuVS assure la recherche vectorielle. La diapositive le place entre Embed et Rerank. cuVS est la bibliothèque de NVIDIA pour la recherche de similarité sur GPU.
  4. Nemotron Rerank prend les nombreux passages renvoyés par la recherche et les classe selon leur pertinence par rapport à la question.

Il s'agit d'un pipeline de récupération, représenté par des noms de produits plutôt que par une boîte « RAG » générique. Analyser, vectoriser, rechercher, reclasser. L'agent doit encore être autorisé à l'appeler. Dans le schéma à cinq éléments, toute cette ligne correspond à l'élément connaissances, accessible par un outil que la politique du bac à sable autorise.

Le chemin des bases de données

La ligne structurée commence par Auto-Ontology, puis se divise.

  • Le travail analytique va vers cuDF, la bibliothèque de dataframes sur GPU.
  • Le travail prédictif va vers Kumo. La transcription de la keynote orthographie ce nom « QMO » et « CUMA ». La diapositive dans la salle l'écrit Kumo. Nous suivons la diapositive.

L'exemple de Huang est celui à retenir, car il utilise les deux lignes. Une note indiquant qu'un fournisseur sera en rupture, ou en retard, arrive sous forme de document. Les commandes que ce fournisseur alimente sont en SQL. Kumo est, selon lui, le moyen de prédire quelles commandes prendront du retard, et de combien. Trouver un composant de remplacement est une recherche vectorielle dans les documents d'ingénierie. Une décision, deux formes de données, deux outils.

Des poids ouverts, puis vos données

Avant la diapositive, Huang a plaidé pour des modèles ouverts que l'on peut inspecter. Nemotron pour le langage. Cosmos comme modèle de fondation du monde. GR00T pour la robotique humanoïde. Alpamayo pour la conduite autonome. Earth-2 pour la physique. Il a déclaré que NVIDIA publie les poids, les données utilisées pour construire le modèle et les scripts permettant de le reproduire, afin qu'un laboratoire puisse en voir la provenance. Le mot « Providence » dans la transcription brute signifie provenance.

Il a aussi été franc sur le classement. Ces modèles de langage ne sont pas automatiquement à la pointe de la pointe. La personnalisation, avec des partenaires, est selon lui le moyen d'en faire un modèle de pointe pour une tâche donnée, et de transformer des données propriétaires en ce qu'il a appelé une intelligence souveraine. L'expression « super intelligence », plus loin dans le même passage, est sa formule pour le résultat de ce post-entraînement. C'est une affirmation sur l'adéquation à une tâche, pas un QI mesuré.

Les exemples qu'il a cités sur scène, dans la transcription publiée, sont les suivants. Nous n'avons pas vérifié ces collaborations avec des clients au-delà du fait qu'il les a mentionnées :

  • A21 aidant Alice, en transformant Nemotron en un modèle qui, selon lui, dépasse les capacités de pointe sur leur tâche.
  • Base10 aidant CodeRabbit, en affinant Nemotron sur les données de ce client.
  • Trajectory et Harvey, avec le post-entraînement de Nemotron.
  • Scale travaillant avec Skydance, selon le même schéma.
  • Palantir avec le Tampa General Hospital.

La roue des néoclouds présentée plus tard dans la keynote orthographie le nom d'une entreprise Baseten. La transcription de ce passage indique Base10. Nous ne fusionnons pas les deux en une seule société. Si vous êtes CodeRabbit, Harvey, Skydance ou Tampa General, la phrase ci-dessus est celle de Huang, et non un résultat que nous avons reproduit.

Les outils sont le dernier élément

Des connaissances sans outils laissent l'agent dans le rôle de lecteur. Le dernier temps fort de Huang portait sur CUDA-X : des bibliothèques métier utilisées dans la science, l'ingénierie, la recherche et le travail créatif. Il les a appelées les joyaux de la couronne, car un assistant qui conçoit ou calcule doit appeler un algorithme, et pas seulement une API de chat. La démonstration RTX Spark, plus tard dans la keynote, l'a résumé d'un trait : Hermes comme harnais, Nemotron et un modèle que la transcription appelle « OpenAI's GPT-6 Astra », et des outils CUDA-X dont FreeCAD, Blender, Isaac Sim, le moteur physique Newton et Isaac Lab. Cette démonstration était celle de NVIDIA, sur scène, pour un robot Hugging Face appelé Microduck. Ce n'est pas un benchmark de Workstation.

Par quoi commencer

Si vous équipez un agent de vos propres fichiers, la diapositive de Berlin est une liste de contrôle plutôt qu'un bon de commande.

  1. Placez le harnais dans un bac à sable avant de le connecter au stockage de fichiers. L'article sur OpenShell couvre cette moitié.
  2. Déterminez quelles connaissances sont des documents et lesquelles sont des tables. N'envoyez pas les deux dans le même pipeline en espérant que cela fonctionne.
  3. Analysez et vectorisez les documents. Effectuez la recherche avec une bibliothèque vectorielle. Reclassez avant que le modèle ne voie l'ensemble.
  4. Gardez le SQL en SQL. Utilisez une bibliothèque de dataframes pour l'analyse et un modèle prédictif uniquement lorsque vous avez une question comme l'exemple du fournisseur de Huang.
  5. Ne post-entraînez un modèle ouvert que lorsque le modèle générique se trompe d'une manière que vos données peuvent corriger. Il a dit que la technologie existe. Il n'a pas dit qu'elle est bon marché ni que chaque affinage est gagnant.

Dérouler l'exemple du fournisseur

Reprenez l'histoire de Huang dans l'ordre où un système l'exécuterait réellement.

  1. Un PDF ou un e-mail indique qu'un fournisseur sera en retard. Ce fichier arrive dans Nemotron Parse.
  2. Nemotron Embed transforme la note de retard, ainsi que la requête « quelles commandes cela affecte-t-il ? », en vecteurs.
  3. cuVS interroge la base vectorielle. Nemotron Rerank conserve les passages qui concernent réellement ce fournisseur.
  4. Le carnet de commandes ne se trouve pas dans cette base. Il est en SQL. Auto-Ontology est le nom donné sur la diapositive au fait de rendre ce monde structuré lisible pour l'agent. cuDF est l'étape analytique sur ces lignes. Kumo est l'étape prédictive : qui est en rupture, et pour combien de temps.
  5. Une pièce de remplacement relève à nouveau du non structuré : un plan ou une spécification. La recherche la renvoie. Le harnais propose une action. Le bac à sable décide si cette action est autorisée.

Sautez l'étape 5 et vous obtenez un modèle très cultivé doté d'un shell. C'est précisément l'échec qu'OpenShell vise à éviter.

Quand ne pas post-entraîner

La liste de partenaires de Huang est une liste d'équipes qui avaient déjà une tâche et des données. Ce n'est pas une raison d'affiner dès le premier jour. Si le modèle générique se trompe parce qu'il ne voit pas vos fichiers, corrigez d'abord la récupération. S'il voit les fichiers et utilise malgré tout les mauvais termes, les mauvaises unités ou la mauvaise politique, alors le post-entraînement est l'étape qu'il a décrite : partir de Nemotron, conserver la recette pour savoir ce que vous avez modifié, et tester sur vos propres traces. Il a dit que le résultat peut atteindre la pointe pour cette tâche. Il n'a pas publié les scores. Nous non plus.

CUDA-X est l'étagère d'outils sous-jacente. Il a déclaré qu'un seul ordinateur exécute de la dynamique des fluides, de la physique des particules, de la chimie quantique, du traitement de données et du ray tracing, et que le chemin GPU est de l'ordre de 10, 50 ou 100 fois plus rapide qu'une exécution native sur CPU. Cette fourchette a été énoncée sur scène. Ce n'est pas un benchmark unique avec un jeu de données nommé. Utilisez-la comme son argument expliquant pourquoi les outils ont leur place sur un GPU, puis mesurez la bibliothèque que vous appelez réellement.

Sources

  • Transcription de la keynote, y compris le passage sur la fondation de connaissances et les noms des partenaires : SB61112
  • Diapositive photographiée pendant la keynote : chemin non structuré Nemotron Parse, Nemotron Embed, cuVS, Nemotron Rerank ; chemin structuré Auto-Ontology, cuDF, Kumo.
  • Article associé : la vue d'ensemble de la keynote
Partager cet article

Plus dans Technology

Portables pour développeurs IA : exécuter des LLM en local sous Linux avec des GPU de 16 GB et 24 GB (guide 2026)

Portables pour développeurs IA : exécuter des LLM en local sous Linux avec des GPU de 16 GB et 24 GB (guide 2026)

Ce qui tient sur un GPU RTX 5080 ou RTX 5090 Laptop, le calcul de mémoire, les modèles ouverts qui valent la peine, la configuration d'Ubuntu 26.04 avec la pile NVIDIA, Ollama, llama.cpp et vLLM, les assistants de code, l'affinage LoRA, la sécurité, et quand passer le travail sur un serveur

Lire la suite
Tester des systèmes ML et LLM impossibles à prouver corrects : une boîte à outils Python d'éléments probants

Tester des systèmes ML et LLM impossibles à prouver corrects : une boîte à outils Python d'éléments probants

Des éléments probants à la place des preuves, en environ 400 lignes de Python avec une sortie réelle : métriques par segment avec intervalles bootstrap et contrat de réussite ou d'échec, tests de propriétés et métamorphiques avec Hypothesis, calibration et prédiction conforme, contrats Pydantic et évaluations de non-régression pour les sorties LLM, contrôles de dérive, barrière en CI et vérification exacte d'un petit réseau de neurones

Lire la suite
TorchCurves en pratique : courbes B-spline et de Legendre apprenables dans PyTorch

TorchCurves en pratique : courbes B-spline et de Legendre apprenables dans PyTorch

Installer torchcurves, ajuster et dimensionner une courbe, choisir entre B-spline et Legendre ainsi que l’application d’entrée, construire une courbe de calibration monotone et un modèle additif sur des données tabulaires, comparer avec SciPy, scikit-learn, un KAN et un MLP, exporter les coefficients en JSON, tester et exploiter en production, avec des sorties réelles

Lire la suite