La génération de données synthétiques pour l'intelligence artificielle financière rencontre un défi majeur : les corpus réels sont fortement déséquilibrés, surexposant les résultats trimestriels et les mouvements boursiers au détriment d'événements moins fréquents comme les changements de notation, les approbations de produits ou les conflits sociaux. Pour combler ces lacunes, des ingénieurs ont conçu un pipeline itératif capable de produire plus de 500 000 titres d'actualités financières uniques, en s'appuyant sur les outils open source d'NVIDIA. L'architecture repose sur une boucle de production continue associant NeMo Data Designer pour l'orchestration, NeMo Curator pour la déduplication sémantique et le modèle de langage Nemotron 3 Nano. Déployée sur un serveur équipé de huit GPU B200 et fonctionnant environ six jours, la pipeline génère des lots de titres, applique des filtres de qualité basiques, puis les confronte à l'ensemble du corpus déjà accumulé. Tout titre présentant plus de 90 % de similarité sémantique avec un contenu existant est systématiquement éliminé. Cette comparaison globale, plutôt que locale, s'est révélée essentielle, une première génération naïve ayant conduit au rejet de 65 % des sorties uniquement à cause de redondances. Pour maintenir la diversité sémantique, le système ajuste dynamiquement les probabilités d'échantillonnage par catégorie et sélectionne, à chaque étape, des exemples de few-shot les plus éloignés des centres de clusters existants. Cette technique pousse le modèle à générer des formulations et des entités de plus en plus précises et rares. Au cours des 82 itérations, le taux de réussite en nouvelles entrées uniques diminue de 35 % à 15 % à mesure que le pool de références s'agrandit, mais le corpus s'enrichit régulièrement jusqu'à atteindre 502 536 titres distincts répartis sur treize thématiques, y compris les classes initialement sous-représentées. Cette approche confirme que la qualité d'un jeu de données synthétiques dépend moins du volume brut produit que de la capacité du système à identifier les redondances et à recalibrer la génération vers de nouvelles zones sémantiques. Le corpus final est directement exploitable pour des applications professionnelles exigeantes : recherche quantitative, modélisation des risques de crédit, surveillance réglementaire et entraînement de systèmes de traitement automatique du langage. En fournissant une base de données équilibrée et riche, cette méthode permet aux institutions financières d'améliorer la robustesse de leurs modèles sans dépendre de données réelles fragmentées. L'ensemble des scripts et de la configuration du pipeline sont publiés, encourageant la communauté technique à reproduire le processus et à l'adapter à d'autres domaines nécessitant des données synthétiques haute fidélité.