🧩NVIDIA Nemotron 3 Nano – Leitfaden zum Ausführen
Führe NVIDIA Nemotron 3 Nano lokal auf deinem Gerät aus und feinabstimme es!
NVIDIA veröffentlicht Nemotron-3-Nano-4B, ein 4B großes offenes hybrides MoE-Modell, das folgt Nemotron-3-Super-120B-A12B und Nemotron-3-Nano-30B-A3B. Die Nemotron-Familie ist für schnelles, präzises Coden, Mathematik und agentische Workloads konzipiert. Sie verfügen über ein Kontext mit 1 Mio. Tokens Fenster und sind bei Reasoning-, Chat- und Durchsatz-Benchmarks konkurrenzfähig.
Nemotron-3-Nano-4B läuft auf 5 GB RAM, VRAM oder Unified Memory. Nemotron-3-Nano-30A3B läuft auf 24 GB RAM. Nemotron 3 kann jetzt lokal feinabgestimmt werden über Unsloth. Vielen Dank an NVIDIA für die Unterstützung von Unsloth ab Tag 0.
⚙️ Gebrauchsanleitung
NVIDIA empfiehlt diese Einstellungen für die Inferenz:
Allgemeiner Chat-/Instruktionsmodus (Standard):
temperature = 1.0top_p = 1,0
Use-Cases für Tool-Aufrufe:
temperature = 0.6top_p = 0.95
Für die meisten lokalen Anwendungen setzen Sie:
max_new_tokens=32,768zu262,144für Standard-Prompts mit maximal 1 Mio. TokensErhöhen Sie den Wert für tiefes Reasoning oder lange Generierung, soweit Ihr RAM/VRAM es zulässt.
Das Chat-Template-Format ergibt sich, wenn wir das folgende verwenden:
tokenizer.apply_chat_template([
{"role" : "user", "content" : "What is 1+1?"},
{"role" : "assistant", "content" : "2"},
{"role" : "user", "content" : "What is 2+2?"}
], add_generation_prompt = True, tokenize = False,
)Nemotron 3 Chat-Template-Format:
🖥️ Nemotron-3-Nano-4B ausführen
Je nach Ihrem Anwendungsfall müssen Sie unterschiedliche Einstellungen verwenden. Einige GGUFs landen in ähnlicher Größe, weil die Modellarchitektur (wie gpt-oss) Dimensionen hat, die nicht durch 128 teilbar sind, sodass Teile nicht auf niedrigere Bits quantisiert werden können.
Die 4-Bit-Versionen des Modells erfordern ~3 GB RAM. 8-Bit erfordert 5 GB.
🦥 Unsloth Studio-Leitfaden
Nemotron 3 kann ausgeführt und feinabgestimmt werden in Unsloth Studio, unserer neuen Open-Source-Web-UI für lokale KI. Mit Unsloth Studio können Sie Modelle lokal auf macOS, Windows, Linux und:
Suchen, herunterladen, GGUFs ausführen und Safetensor-Modelle
Selbstheilend Tool-Aufrufe + Websuche
Codeausführung (Python, Bash)
Automatische Inferenz Abstimmung der Parameter (Temp., Top-p usw.)
Schnelle CPU- + GPU-Inferenz über llama.cpp
LLMs trainieren 2x schneller mit 70 % weniger VRAM

Nemotron-3-Nano-4B suchen und herunterladen
Beim ersten Start musst du ein Passwort erstellen, um dein Konto zu sichern, und dich später erneut anmelden. Dann siehst du einen kurzen Einrichtungsassistenten, um ein Modell, einen Datensatz und grundlegende Einstellungen auszuwählen. Du kannst ihn jederzeit überspringen.
Gehen Sie dann zum Unsloth Chat Reiter und suchen Sie in der Suchleiste nach Nemotron-3-Nano-4B und laden Sie das gewünschte Modell und die gewünschte Quantisierung herunter.

Nemotron-3-Nano-4B ausführen
Die Inferenzparameter sollten bei der Verwendung von Unsloth Studio automatisch gesetzt werden, Sie können sie jedoch weiterhin manuell ändern. Sie können auch die Kontextlänge, das Chat-Template und andere Einstellungen bearbeiten.
Für weitere Informationen können Sie unseren Inferenzleitfaden für Unsloth Studio.

Llama.cpp-Tutorial:
Anweisungen zum Ausführen in llama.cpp (wir verwenden 8-Bit für nahezu volle Genauigkeit):
Holen Sie sich die neueste llama.cpp auf hier auf GitHub. Sie können auch die folgenden Build-Anweisungen befolgen. Ändern Sie -DGGML_CUDA=ON zu -DGGML_CUDA=OFF wenn Sie keine GPU haben oder nur CPU-Inferenz möchten.
Sie können direkt von Hugging Face ziehen. Sie können den Kontext auf 1 Mio. erhöhen, soweit Ihr RAM/VRAM es zulässt.
Befolgen Sie dies für allgemeine Instruktions- Anwendungsfälle:
Befolgen Sie dies für Tool-Aufrufe Anwendungsfälle:
Lade das Modell über (nach der Installation von pip install huggingface_hub hf_transfer ). Sie können Q8_0 oder anderen quantisierten Versionen.
Führen Sie das Modell dann im Konversationsmodus aus:
Passen Sie außerdem das Kontextfenster bei Bedarf an. Stellen Sie sicher, dass Ihre Hardware mehr als ein 256K-Kontextfenster verarbeiten kann. Wenn Sie es auf 1M setzen, kann das CUDA-OOM auslösen und abstürzen, weshalb der Standardwert 262,144 ist.
🖥️ Nemotron-3-Nano-30B-A3B ausführen
Je nach Ihrem Anwendungsfall müssen Sie unterschiedliche Einstellungen verwenden. Einige GGUFs landen in ähnlicher Größe, weil die Modellarchitektur (wie gpt-oss) Dimensionen hat, die nicht durch 128 teilbar sind, sodass Teile nicht auf niedrigere Bits quantisiert werden können.
Die 4-Bit-Versionen des Modells erfordern ~24 GB RAM. 8-Bit erfordert 36 GB.
🦥 Unsloth Studio-Leitfaden
Für dieses Tutorial verwenden wir Unsloth Studio, unsere neue Web-UI zum Ausführen und Trainieren von LLMs. Mit Unsloth Studio können Sie Modelle lokal auf Mac, Windows, und Linux sowie:
Suchen, herunterladen, GGUFs ausführen und Safetensor-Modelle
Vergleichen Modelle nebeneinander
Selbstheilend Tool-Aufrufe + Websuche
Codeausführung (Python, Bash)
Automatische Inferenz Abstimmung der Parameter (Temp., Top-p usw.)
LLMs trainieren 2x schneller mit 70 % weniger VRAM

Nemotron-3-Nano-30B-A3B suchen und herunterladen
Beim ersten Start musst du ein Passwort erstellen, um dein Konto zu sichern, und dich später erneut anmelden. Dann siehst du einen kurzen Einrichtungsassistenten, um ein Modell, einen Datensatz und grundlegende Einstellungen auszuwählen. Du kannst ihn jederzeit überspringen.
Gehen Sie dann zum Unsloth Chat Reiter und suchen Sie in der Suchleiste nach Nemotron-3-Nano-4B und laden Sie das gewünschte Modell und die gewünschte Quantisierung herunter.

Nemotron-3-Nano-30B-A3B ausführen
Die Inferenzparameter sollten bei der Verwendung von Unsloth Studio automatisch gesetzt werden, Sie können sie jedoch weiterhin manuell ändern. Sie können auch die Kontextlänge, das Chat-Template und andere Einstellungen bearbeiten.
Für weitere Informationen können Sie unseren Inferenzleitfaden für Unsloth Studio.

Llama.cpp-Tutorial:
Anweisungen zur Ausführung in llama.cpp (beachten Sie, dass wir 4-Bit verwenden werden, damit es auf die meisten Geräte passt):
Holen Sie sich die neueste llama.cpp auf hier auf GitHub. Sie können auch die folgenden Build-Anweisungen befolgen. Ändern Sie -DGGML_CUDA=ON zu -DGGML_CUDA=OFF wenn Sie keine GPU haben oder nur CPU-Inferenz möchten. Für Apple-Mac-/Metal-Geräte, setzen Sie -DGGML_CUDA=OFF und fahren Sie dann wie gewohnt fort – Metal-Unterstützung ist standardmäßig aktiviert.
Sie können direkt von Hugging Face ziehen. Sie können den Kontext auf 1 Mio. erhöhen, soweit Ihr RAM/VRAM es zulässt.
Befolgen Sie dies für allgemeine Instruktions- Anwendungsfälle:
Befolgen Sie dies für Tool-Aufrufe Anwendungsfälle:
Lade das Modell über (nach der Installation von pip install huggingface_hub hf_transfer ). Sie können UD-Q4_K_XL oder anderen quantisierten Versionen.
Führen Sie das Modell dann im Konversationsmodus aus:
Passen Sie außerdem das Kontextfenster bei Bedarf an. Stellen Sie sicher, dass Ihre Hardware mehr als ein 256K-Kontextfenster verarbeiten kann. Wenn Sie es auf 1M setzen, kann das CUDA-OOM auslösen und abstürzen, weshalb der Standardwert 262,144 ist.
🦥 Feinabstimmung von Nemotron 3 und RL
Unsloth unterstützt jetzt die Feinabstimmung aller Nemotron-Modelle, einschließlich Nemotron 3 Super und Nano.
Das 4B-Modell passt auf eine kostenlose Colab-GPU, das 30B-Modell jedoch nicht. Wir haben trotzdem ein 80GB-A100-Colab-Notebook für Sie erstellt, mit dem Sie feinabstimmen können. Die 16-Bit-LoRA-Feinabstimmung von Nemotron 3 Nano wird etwa 60 GB VRAM:
Bei der Feinabstimmung von MoEs ist es wahrscheinlich keine gute Idee, die Router-Schicht feinabzustimmen, also haben wir sie standardmäßig deaktiviert. Wenn Sie seine Reasoning-Fähigkeiten beibehalten möchten (optional), können Sie eine Mischung aus direkten Antworten und Chain-of-Thought-Beispielen verwenden. Verwenden Sie mindestens 75 % Reasoning und 25 % Nicht-Reasoning in Ihrem Datensatz, damit das Modell seine Reasoning-Fähigkeiten beibehält.
✨Reinforcement Learning + NeMo Gym
Wir haben mit dem Open-Source-NVIDIA NeMo Gym Team zusammengearbeitet, um die Demokratisierung von RL-Umgebungen zu ermöglichen. Unsere Zusammenarbeit ermöglicht Single-Turn-Rollout-RL-Training für viele interessante Bereiche, einschließlich Mathematik, Coding, Tool-Nutzung usw., unter Verwendung von Trainingsumgebungen und Datensätzen aus NeMo Gym:
🦙 Bereitstellung & Deployment mit Llama-Server
Um Nemotron 3 produktiv bereitzustellen, verwenden wir llama-server In einem neuen Terminal, z. B. über tmux, stelle das Modell mit Folgendem bereit:
Wenn du das oben ausführst, erhältst du:

Dann in einem neuen Terminal, nachdem du pip install openai, mache Folgendes:
Was Folgendes ausgibt
Benchmarks
Nemotron-3-Nano-4B ist das leistungsstärkste Modell seiner Größe, einschließlich des Durchsatzes.

Nemotron-3-Nano-30B-A3B ist das leistungsstärkste Modell über alle Benchmarks hinweg, einschließlich des Durchsatzes.

Zuletzt aktualisiert
War das hilfreich?


