Zum Inhalt springen
For the complete documentation index, see llms.txt. This page is also available as Markdown.

🧩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.

Nemotron-3-Nano-4BNemotron-3-Nano-30B-A3BFeinabstimmung von Nemotron 3

⚙️ Gebrauchsanleitung

NVIDIA empfiehlt diese Einstellungen für die Inferenz:

Allgemeiner Chat-/Instruktionsmodus (Standard):

  • temperature = 1.0

  • top_p = 1,0

Use-Cases für Tool-Aufrufe:

  • temperature = 0.6

  • top_p = 0.95

Für die meisten lokalen Anwendungen setzen Sie:

  • max_new_tokens = 32,768 zu 262,144 für Standard-Prompts mit maximal 1 Mio. Tokens

  • Erhöhen 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 verwendet <think> mit Token-ID 12 und </think> mit Token-ID 13 für Schlussfolgerungen. Verwenden Sie --special um die Tokens für llama.cpp zu sehen. Möglicherweise benötigen Sie auch --verbose-prompt um zu sehen <think> da es vorangestellt wird.

🖥️ 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:

1

Unsloth installieren

Führen Sie dies in Ihrem Terminal aus:

macOS, Linux, WSL:

Windows PowerShell:

2

Unsloth starten

MacOS, Linux, WSL, Windows:

Dann öffnen Sie http://localhost:8888 in Ihrem Browser.

3

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.

4

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):

1

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.

2

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:

3

Lade das Modell über (nach der Installation von pip install huggingface_hub hf_transfer ). Sie können Q8_0 oder anderen quantisierten Versionen.

4

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:

1

Unsloth installieren

macOS, Linux, WSL:

Windows PowerShell:

2

Unsloth Studio einrichten (einmalig)

Die Einrichtung installiert automatisch Node.js (über nvm), baut das Frontend, installiert alle Python-Abhängigkeiten und baut llama.cpp mit CUDA-Unterstützung.

Für WSL-Nutzer: Sie werden zur Eingabe Ihres sudo Passworts aufgefordert, um Build-Abhängigkeiten zu installieren (cmake, git, libcurl4-openssl-dev).

3

Unsloth starten

macOS, Linux, WSL:

Windows PowerShell:

Dann öffnen Sie http://localhost:8888 in Ihrem Browser.

4

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.

5

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):

1

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.

2

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:

3

Lade das Modell über (nach der Installation von pip install huggingface_hub hf_transfer ). Sie können UD-Q4_K_XL oder anderen quantisierten Versionen.

4

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 verwendet <think> mit Token-ID 12 und </think> mit Token-ID 13 für Schlussfolgerungen. Verwenden Sie --special um die Tokens für llama.cpp zu sehen. Möglicherweise benötigen Sie auch --verbose-prompt um zu sehen <think> da es vorangestellt wird.

🦥 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?