AREX Feed Article
NVIDIA 交出 NeMo Gym 工具调用管线最后拼图：8 组黄金 Policy/Tool 参考公开
2026 年 8 月 7 日，NVIDIA 在 Hugging Face 上发布了 ，包含 8 组黄金 policy/tool 参考对和完整的提示历史记录。这份资产只有 36 行数据、252 KB，却是 NeMo Gym 工具调用管线从「部分开源」走向「完全可复现」的关键一步。
252 KB 的资产，补齐了 NeMo Gym 工具调用管线的最后缺口
。紧接在后的特意澄清：这不是训练集，而是复现 agent 生成行为所必需的运行时资产。
此前，NVIDIA 已经公开了 NeMo Gym 框架本身（，Apache 2.0 许可）以及。但训练数据的生成逻辑始终是一个黑箱：外部研究者可以拿到数据，却无法理解这些数据是如何被构造出来的。
本次发布的资产正好填补了这一缺口。8 组黄金参考对定义了「好的工具调用」长什么样，提示历史则记录了从 domain 选择到 policy 撰写的完整迭代过程。管线中唯一留在 NeMo Gym 源码树中的，是当前生效的 prompt 模板。那是真正驱动 agent 行为的代码。
AK 转发、Hugging Face 官方下场：社区认出了这件事的分量
AI 研究领域的知名账号 （51.6 万关注者）和 （75 万关注者）均参与了转发，将这条消息推到了更广的受众面前。原推文累计获得 37 次点赞、9 次转发和 20 次书签。对于一条纯粹的技术基础设施发布而言，这个互动量不算低。
同一天，Prime Intellect 宣布将其 RL 堆栈从单 agent 扩展到多智能体系统，获得 725 次点赞和 62 次转发。两家公司在同一天各自公开了 RL 基础设施的关键组件，至少说明了一件事：围绕 RL agent 训练的生态竞赛正在从模型层下沉到数据和工具层。
从 Nemotron-3 Ultra 到 NeMo Gym v0.4.0：NVIDIA 的数据开源路线图
NVIDIA 对 NeMo Gym 的投入在过去两个月里明显加速。6 月 4 日， 发布，带来了 70 多个新环境和 Nemotron 3 Ultra 训练数据集。7 月 1 日， 进一步扩展了 BLADE 诊断工具、可插拔沙盒和 Fireworks/Together.ai 等托管推理提供商的接入。
在这一系列迭代背后，是 NVIDIA 在 3 月 10 日通过正式阐述的开放数据策略：不仅发布模型权重，也发布训练数据、评估框架和可复现的训练配方。当时文中提到的 NeMo Gym collection 至今已收录 32 个 RL 可验证数据集，本次发布的资产是这个集合的新成员。
这份资产同时与 Nemotron 3 家族的后训练流程深度绑定。NVIDIA 此前公开的 Nemotron-RL-Agentic 系列数据集覆盖了认证、数据查询、预订服务等 838 个领域，本次公开的 8 组黄金参考对正是这些领域 policy 定义的「基准线」。
8 组黄金参考对 + 提示历史：一个 36 行、252KB 的「配方本」
这份资产的结构很精简，但每一部分都有明确的职责。
golden_policies 目录包含 8 组 policy/tool 参考对。每组由一份 Markdown 格式的 policy 文档和配套的工具定义组成。Policy 不是对业务的描述，而是对 agent 行为的严格约束：包括对象定义、操作限制和升级规则。例如，一条航空领域的 policy 会明确规范预订变更条件、座位调整限制和行李政策边界。
工具定义则规定了 agent 可以调用哪些函数、参数是什么。这与训练数据中 agent 实际执行的工具调用形成了「参考答案」。policy 描述应有的行为，tool 定义可用的操作，两者的配对构成了评估 agent 行为正确性的基准。
prompt_history 目录记录了 policy/tool 生成提示的迭代历史，以及 domain 生成提示的版本演进。这些历史文件不参与运行时执行，但为研究者提供了理解合成数据生成逻辑的窗口。提示词本身经过了哪些修改、为什么修改，都可以追溯。
关键区别在于：这 36 行资产不是训练数据，而是数据生成器的「说明书」。170,320 条训练轨迹正是用这套说明书，通过 DeepSeek-R1-0528、Qwen3-235B 等模型合成出来的。
当管线完全可复现：RL for tool-use 的训练门槛正在降低
在此次发布之前，外部团队使用 NeMo Gym 进行对话工具调用训练的路径是断裂的。框架是开源的，训练数据是公开的，但数据的「质量标准」—— 也就是用来判断生成质量好坏的参考 —— 掌握在 NVIDIA 手中。研究者可以 fork 代码、下载数据，但无法自行生成质量可控的新数据。
现在这条路通了。有了黄金参考对和生成提示模板，任何人都可以复现 NVIDIA 的数据合成流程，并在此基础上针对自己的领域定制 policy 和工具定义。NeMo Gym 的生态系统已经集成了 VeRL、Unsloth 和 TRL 等主流 RL 训练框架，从数据生成到模型训练的完整链路被打通。
从 Nemotron 3 Nano（4B 参数）到 Ultra（550B 总参数 / 55B 激活参数），NVIDIA 的模型家族都受益于这一管线。公开资产意味着，未来任何团队都可以在自己的垂直场景里跑通同样的流程：定义 policy → 生成工具 → 合成对话 → RL 训练 → 部署 agent。
拼图完整，但配方本身才是最难复制的部分
资产公开不等于门槛消失。8 组黄金参考对为开发者提供了可直接借鉴的 policy 样板，但 838 个 domain 的大部分仍然没有公开的参考标准。NVIDIA 选择性地公开了其中的 8 组，相当于给出了示范而非全貌。
真正的瓶颈在于：高质量的 policy 需要领域专家对业务约束的精确表达，而这不是靠扩大模型规模能解决的。共享黄金参考降低了复现门槛，但「定义什么是好的工具调用」这件事本身，仍然需要人类专家坐下来写清楚一行行规则。
NeMo Gym conversational tool-use 管线的最后一块拼图已经就位。从框架到数据再到质量标准，NVIDIA 把训练一个能调用工具的 RL agent 所需的全部组件摆到了明面上。剩下的事情是：有没有人愿意坐下来，为自己所在的领域写一份足够好的 policy。