NVIDIA określiła post-training jako centralne obciążenie obliczeniowe ery sztucznej inteligencji, gdzie modele muszą bezustannie się uczić i adaptować. Różnica między zwykłymi modelami generatywnymi a agentami AI jest fundamentalna: podczas gdy model generatywny odpowiada na zapytanie, agent otrzymuje cel i musi planować, korzystać z różnych narzędzi oraz rozwiązywać problemy na bieżąco. To oznacza, że proces post-trainingu nie jest już jednokrotnym etapem finalizacyjnym, ale ciągłą pętlą uczenia się.
W tradycyjnym podejściu post-training odbywał się raz po wstępnym treningu. W świecie agentic AI sytuacja zmienia się radykalnie, ponieważ środowisko, w którym operuje agent, zmienia się co tydzień - nowe narzędzia pojawiają się regularnie, a przypadki brzegowe odkrywane w produkcji nigdy wcześniej nie były testowane. Każde wdrożenie wnosi własną bazę kodu, zasady i specyficzne warunki. To wymaga podejścia, w którym dane z produkcji stale informują kolejne rundy post-trainingu, tworząc niekończący się cykl uczenia.
NVIDIA stawia na maksymalizację inteligencji na jednostkę kosztu jako podstawowy wskaźnik sukcesu. W tej metryce każdy forward pass (inference) mierzony w kosztach na token oraz backward pass w cyklu uczenia musi być zoptymalizowany. Oznacza to, że infrastruktura i algorytmy post-trainingu będą sterowały wydajnością ekonomiczną całego systemu AI, a nie sama wielkość modelu czy moc inferensu, jak w poprzednich generacjach.