NVIDIA ha publicado un flujo para adaptar Nemotron 3.5 Lightning a trámites franceses y belgas con personas sintéticas, documentos oficiales, ajuste LoRA y evaluación separada. El ejemplo parte de un fallo revelador: un modelo general aconseja solicitar por correo un pasaporte francés cuando la documentación exige una visita a domicilio si la persona no puede desplazarse. Hablar francés no equivale a conocer el procedimiento.
Los conjuntos Nemotron-Personas-France y Belgium describen residentes sintéticos con región, ocupación, hogar y forma de expresarse. Esos perfiles diversifican las preguntas; no deben usarse para inventar necesidades, capacidad o derechos a partir de atributos sensibles. Las respuestas correctas proceden de reglas y fuentes oficiales añadidas al flujo.
Cuatro piezas que no se sustituyen entre sí
| Pieza | Función | Riesgo si falta |
|---|---|---|
| Contrato de comportamiento | Define tareas, límites y tono | Datos incoherentes aunque estén bien escritos |
| Personas sintéticas | Varían situaciones y lenguaje | Preguntas repetitivas y poca cobertura |
| Documentos oficiales | Sustentan los hechos | Respuestas locales plausibles pero falsas |
| Conjunto reservado | Compara base y modelo ajustado | Confundir memorización con mejora |
NVIDIA propone entre 100 y 300 preguntas humanas o patrones operativos desidentificados para la evaluación: casos comunes, excepciones y situaciones peligrosas. El ejemplo genera 2.000 conversaciones desde otras tantas personas, revisa primero ocho registros y después filtra problemas de formato, razonamientos residuales y posibles nombres. La división 90/10 se hace por identificador de origen para que una misma persona sintética no aparezca en entrenamiento y validación.
El juez automático ayuda a filtrar, pero no cierra la evaluación
Un segundo modelo puntúa las respuestas generadas. NVIDIA recomienda después una comparación humana directa entre el modelo base y el ajustado. Esa combinación evita dos atajos: usar un juez como prueba definitiva o dejar que el mismo modelo redacte y apruebe sus respuestas sin una referencia independiente.
El tutorial afina con LoRA, fusiona el adaptador y compara con las preguntas reservadas. Indica una configuración para DGX Spark y advierte de que dejar activadas las trazas de razonamiento puede introducirlas en los datos. Son instrucciones del creador y una demostración, no un benchmark independiente de mejora en servicios públicos.
La regla local debe tener fecha y jurisdicción
El ejemplo del pasaporte distingue 43 euros de timbre en Guayana Francesa frente a 86 euros en la Francia continental. Esa precisión puede caducar. Un sistema administrativo necesita conservar fuente, territorio y fecha junto a cada regla, además de una respuesta de «no puedo confirmarlo» cuando desconoce horarios o disponibilidad municipal.
El trabajo complementa el análisis de Nemotron 3.5 Bolt y su tamaño local: poder ejecutar un modelo no responde a la pregunta de qué sabe sobre una región. La aportación propia aquí es separar diversidad de consulta, verdad documental, ajuste de pesos y evaluación; mezclar las cuatro capas produce un asistente localizado solo en apariencia.
Transparencia: artículo elaborado con asistencia de IA a partir del tutorial y repositorio de NVIDIA y cobertura que resume ese flujo. Texploto no descargó modelos, generó datos ni ejecutó el ajuste.
