🧩NVIDIA Nemotron 3 Nano - Anleitung zum Ausführen

Führe NVIDIA Nemotron 3 Nano lokal auf deinem Gerät aus und feinabstimme es!

NVIDIA veröffentlicht Nemotron-3-Nano-4B, ein offenes 4B-Hybrid-MoE-Modell, das folgt Nemotron-3-Super-120B-A12B und Nemotron-3-Nano-30B-A3B. Die Nemotron-Familie ist für schnelle, präzise Coding-, Mathematik- und agentische Workloads ausgelegt. Sie verfügen über ein 1M-Token-Kontext Fenster und sind über Reasoning-, Chat- und Durchsatz-Benchmarks hinweg wettbewerbsfähig.

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 über Unslothfeinabgestimmt werden. Danke an NVIDIA dafür, dass Unsloth Day-Zero-Support erhalten hat.

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

Nemotron-3-Nano-4B-GGUF	Nemotron-3-Nano-30B-A3B-GGUF

⚙️ Nutzungsanleitung

NVIDIA empfiehlt für die Inferenz diese Einstellungen:

Allgemeiner Chat-/Instruktionsmodus (Standard):

• temperature = 1.0

• top_p = 1.0

Anwendungsfälle für Tool-Calling:

• temperature = 0.6

• top_p = 0.95

Für die meiste lokale Nutzung setzen Sie:

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

• Erhöhen Sie den Wert für tiefes Reasoning oder lange Generierung, soweit Ihr RAM/VRAM es zulässt.

Das Chat-Template-Format findet man, wenn man die folgende Verwendung nutzt:

tokenizer.apply_chat_template([
    {"role" : "user", "content" : "Was ist 1+1?"},
    {"role" : "assistant", "content" : "2"},
    {"role" : "user", "content" : "Was ist 2+2?"}
    ], add_generation_prompt = True, tokenize = False,
)

Da das Modell mit NoPE trainiert wurde, müssen Sie nur max_position_embeddingsändern. Das Modell verwendet keine expliziten Positions-Embeddings, daher wird YaRN nicht benötigt.

Nemotron 3 Chat-Template-Format:

Nemotron 3 verwendet <think> mit Token-ID 12 und </think> mit Token-ID 13 für Reasoning. Verwenden Sie --special um die Token für llama.cpp zu sehen. Möglicherweise benötigen Sie auch --verbose-prompt um <think> zu sehen, da es vorangestellt wird.

<|im_start|>system\n<|im_end|>\n<|im_start|>user\nWas ist 1+1?<|im_end|>\n<|im_start|>assistant\n<think></think>2<|im_end|>\n<|im_start|>user\nWas ist 2+2?<|im_end|>\n<|im_start|>assistant\n<think>\n

🖥️ Nemotron-3-Nano-4B ausführen

Je nach 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 benötigen ca. 3 GB RAM. 8-Bit benötigt 5 GB.

🦥 Unsloth Studio-Anleitung

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 ausführen auf MacOS, Windows, Linux und:

• Suchen, herunterladen, GGUFs ausführen und Safetensor-Modelle

• Selbstheilendes Tool-Calling + Websuche

• Code-Ausführung (Python, Bash)

• Automatische Inferenz Parameter-Tuning (Temp, Top-p usw.)

• Schnelle CPU-+GPU-Inferenz via llama.cpp

• LLMs trainieren 2x schneller mit 70% weniger VRAM

1

Unsloth installieren

Führen Sie es in Ihrem Terminal aus:

MacOS, Linux, WSL:

curl -fsSL https://unsloth.ai/install.sh | sh

Windows PowerShell:

irm https://unsloth.ai/install.ps1 | iex

2

Unsloth starten

MacOS, Linux, WSL, Windows:

unsloth studio -H 0.0.0.0 -p 8888

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

3

Nemotron-3-Nano-4B suchen und herunterladen

Beim ersten Start müssen Sie ein Passwort erstellen, um Ihr Konto zu sichern, und sich später erneut anmelden. Anschließend sehen Sie einen kurzen Einrichtungsassistenten, in dem Sie ein Modell, einen Datensatz und grundlegende Einstellungen auswählen. Sie können ihn jederzeit überspringen.

Gehen Sie dann zur Studio Chat Registerkarte und suchen Sie in der Suchleiste nach Nemotron-3-Nano-4B und laden Sie Ihr gewünschtes Modell und Ihre gewünschte Quantisierung herunter.

4

Nemotron-3-Nano-4B ausführen

Inferenzparameter sollten bei der Verwendung von Unsloth Studio automatisch gesetzt werden; Sie können sie jedoch weiterhin manuell ändern. Sie können auch die Kontextlänge, die Chat-Vorlage und andere Einstellungen bearbeiten.

Weitere Informationen finden Sie in unserer Unsloth Studio-Inferenzanleitung.

Llama.cpp-Tutorial:

Anweisungen zum Ausführen in llama.cpp (wir verwenden 8-Bit für nahezu volle Genauigkeit):

1

Hole dir die neueste llama.cpp auf GitHub hier. Du kannst auch den untenstehenden Build-Anweisungen folgen. Ändere -DGGML_CUDA=ON zu -DGGML_CUDA=OFF wenn du keine GPU hast oder nur CPU-Inferenz möchtest.

apt-get update
apt-get install pciutils build-essential cmake curl libcurl4-openssl-dev -y
git clone https://github.com/ggml-org/llama.cpp
cmake llama.cpp -B llama.cpp/build \
    -DBUILD_SHARED_LIBS=OFF -DGGML_CUDA=ON
cmake --build llama.cpp/build --config Release -j --clean-first --target llama-cli llama-mtmd-cli llama-server llama-gguf-split
cp llama.cpp/build/bin/llama-* llama.cpp

2

Sie können direkt von Hugging Face herunterladen. Sie können den Kontext auf 1 Mio. erhöhen, soweit Ihr RAM/VRAM es zulässt.

Befolgen Sie dies für allgemeine Instruktions- Anwendungsfälle:

./llama.cpp/llama-cli \
    -hf unsloth/NVIDIA-Nemotron-3-Nano-4B-GGUF:Q8_0 \
    --ctx-size 16384 \
    --temp 1.0 --top-p 1.0

Befolgen Sie dies für tool-calling Anwendungsfälle:

./llama.cpp/llama-cli \
    -hf unsloth/NVIDIA-Nemotron-3-Nano-4B-GGUF:Q8_0 \
    --ctx-size 32768 \\
    --temp 0.6 --top-p 0.95

3

Lade das Modell herunter über (nach der Installation von pip install huggingface_hub hf_transfer ). Du kannst Q8_0 oder andere quantisierte Versionen auswählen.

# !pip install huggingface_hub hf_transfer
import os
os.environ["HF_HUB_ENABLE_HF_TRANSFER"] = "1"
from huggingface_hub import snapshot_download
snapshot_download(
    repo_id = "unsloth/NVIDIA-Nemotron-3-Nano-4B-GGUF",
    local_dir = "unsloth/NVIDIA-Nemotron-3-Nano-4B-GGUF",
    allow_patterns = ["*Q8_0*"],
)

4

Führen Sie das Modell dann im Konversationsmodus aus:

./llama.cpp/llama-cli \
    --model unsloth/NVIDIA-Nemotron-3-Nano-4B-GGUF/NVIDIA-Nemotron-3-Nano-4B-Q8_0.gguf \
    --ctx-size 16384 \
    --seed 3407 \\
    --prio 2 \\
    --temp 0.6 \\
    --top-p 0.95

Passen Sie außerdem das Kontextfenster nach Bedarf an. Stellen Sie sicher, dass Ihre Hardware ein Kontextfenster von mehr als 256K bewältigen kann. Wenn Sie es auf 1 Mio. setzen, kann CUDA OOM auslösen und abstürzen, weshalb der Standardwert 262.144 ist.

🖥️ Nemotron-3-Nano-30B-A3B ausführen

Je nach 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 benötigen ca. 24 GB RAM. 8-Bit benötigt 36 GB.

🦥 Unsloth Studio-Anleitung

Für dieses Tutorial verwenden wir Unsloth Studio, unsere neue Web-UI zum Ausführen und Trainieren von LLMs. Mit Unsloth Studio können Sie Modelle lokal ausführen auf Mac, Windowsund Linux eingeben und:

• Suchen, herunterladen, GGUFs ausführen und Safetensor-Modelle

• Modelle vergleichen nebeneinander

• Selbstheilendes Tool-Calling + Websuche

• Code-Ausführung (Python, Bash)

• Automatische Inferenz Parameter-Tuning (Temp, Top-p usw.)

• LLMs trainieren 2x schneller mit 70% weniger VRAM

1

Unsloth installieren

MacOS, Linux, WSL:

curl -fsSL https://unsloth.ai/install.sh | sh

Windows PowerShell:

irm https://unsloth.ai/install.ps1 | iex

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.

WSL-Benutzer: Sie werden aufgefordert, Ihr sudo Passwort einzugeben, um Build-Abhängigkeiten zu installieren (cmake, git, libcurl4-openssl-dev).

3

Unsloth starten

MacOS, Linux, WSL:

source unsloth_studio/bin/activate
unsloth studio -H 0.0.0.0 -p 8888

Windows PowerShell:

& .\unsloth_studio\Scripts\unsloth.exe studio -H 0.0.0.0 -p 8888

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

4

Nemotron-3-Nano-30B-A3B suchen und herunterladen

Beim ersten Start müssen Sie ein Passwort erstellen, um Ihr Konto zu sichern, und sich später erneut anmelden. Anschließend sehen Sie einen kurzen Einrichtungsassistenten, in dem Sie ein Modell, einen Datensatz und grundlegende Einstellungen auswählen. Sie können ihn jederzeit überspringen.

Gehen Sie dann zur Studio Chat Registerkarte und suchen Sie in der Suchleiste nach Nemotron-3-Nano-4B und laden Sie Ihr gewünschtes Modell und Ihre gewünschte Quantisierung herunter.

5

Nemotron-3-Nano-30B-A3B ausführen

Inferenzparameter sollten bei der Verwendung von Unsloth Studio automatisch gesetzt werden; Sie können sie jedoch weiterhin manuell ändern. Sie können auch die Kontextlänge, die Chat-Vorlage und andere Einstellungen bearbeiten.

Weitere Informationen finden Sie in unserer Unsloth Studio-Inferenzanleitung.

Llama.cpp-Tutorial:

Anweisungen zum Ausführen in llama.cpp (beachten Sie, dass wir 4-Bit verwenden werden, damit es auf die meisten Geräte passt):

1

Hole dir die neueste llama.cpp auf GitHub hier. Du kannst auch den untenstehenden Build-Anweisungen folgen. Ändere -DGGML_CUDA=ON zu -DGGML_CUDA=OFF wenn du keine GPU hast oder nur CPU-Inferenz möchtest. Für Apple Mac / Metal-Geräte, setze -DGGML_CUDA=OFF und fahre dann wie gewohnt fort - Metal-Unterstützung ist standardmäßig aktiviert.

apt-get update
apt-get install pciutils build-essential cmake curl libcurl4-openssl-dev -y
git clone https://github.com/ggml-org/llama.cpp
cmake llama.cpp -B llama.cpp/build \
    -DBUILD_SHARED_LIBS=OFF -DGGML_CUDA=ON -DLLAMA_CURL=ON
cmake --build llama.cpp/build --config Release -j --clean-first --target llama-cli llama-mtmd-cli llama-server llama-gguf-split
cp llama.cpp/build/bin/llama-* llama.cpp

2

Sie können direkt von Hugging Face herunterladen. Sie können den Kontext auf 1 Mio. erhöhen, soweit Ihr RAM/VRAM es zulässt.

Befolgen Sie dies für allgemeine Instruktions- Anwendungsfälle:

./llama.cpp/llama-cli \
    -hf unsloth/Nemotron-3-Nano-30B-A3B-GGUF:UD-Q4_K_XL \
    --ctx-size 32768 \\
    --temp 1.0 --top-p 1.0

Befolgen Sie dies für tool-calling Anwendungsfälle:

./llama.cpp/llama-cli \
    -hf unsloth/Nemotron-3-Nano-30B-A3B-GGUF:UD-Q4_K_XL \
    --ctx-size 32768 \\
    --temp 0.6 --top-p 0.95

3

Lade das Modell herunter über (nach der Installation von pip install huggingface_hub hf_transfer ). Du kannst UD-Q4_K_XL oder andere quantisierte Versionen auswählen.

# !pip install huggingface_hub hf_transfer
import os
os.environ["HF_HUB_ENABLE_HF_TRANSFER"] = "1"
from huggingface_hub import snapshot_download
snapshot_download(
    repo_id = "unsloth/Nemotron-3-Nano-30B-A3B-GGUF",
    local_dir = "unsloth/Nemotron-3-Nano-30B-A3B-GGUF",
    allow_patterns = ["*UD-Q4_K_XL*"],
)

4

Führen Sie das Modell dann im Konversationsmodus aus:

./llama.cpp/llama-cli \
    --model unsloth/Nemotron-3-Nano-30B-A3B-GGUF/Nemotron-3-Nano-30B-A3B-UD-Q4_K_XL.gguf \
    --ctx-size 16384 \
    --seed 3407 \\
    --prio 2 \\
    --temp 0.6 \\
    --top-p 0.95

Passen Sie außerdem das Kontextfenster nach Bedarf an. Stellen Sie sicher, dass Ihre Hardware ein Kontextfenster von mehr als 256K bewältigen kann. Wenn Sie es auf 1 Mio. setzen, kann 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 Reasoning. Verwenden Sie --special um die Token für llama.cpp zu sehen. Möglicherweise benötigen Sie auch --verbose-prompt um <think> zu sehen, da es vorangestellt wird.

🦥 Nemotron 3 und RL feinabstimmen

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 80-GB-A100-Colab-Notebook für Sie erstellt, mit dem Sie feinabstimmen können. Eine 16-Bit-LoRA-Feinabstimmung von Nemotron 3 Nano wird etwa 60 GB VRAM:

• Nemotron-3-Nano-30B-A3B SFT-LoRA-Notebook

Google Colabcolab.research.google.com

Bei der Feinabstimmung von MoEs ist es wahrscheinlich keine gute Idee, die Router-Schicht feinabzustimmen, daher haben wir sie standardmäßig deaktiviert. Wenn Sie seine Reasoning-Fähigkeiten beibehalten möchten (optional), können Sie eine Mischung aus Direktantworten 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 erlaubt Single-Turn-Rollout-RL-Training für viele interessante Bereiche, darunter Mathematik, Coding, Tool-Nutzung usw., unter Verwendung von Trainingsumgebungen und Datensätzen aus NeMo Gym:

NeMo Gym Sudoku Reinforcement Learning Notebook

Google Colabcolab.research.google.com

NeMo Gym Multi-Umgebungen für Reinforcement-Learning-Notebook

Google Colabcolab.research.google.com

Schauen Sie sich auch unseren neuesten Kollaborationsleitfaden an, der im offiziellen Developer-Blog von NVIDIA veröffentlicht wurde:

So Feinabstimmen Sie ein LLM auf NVIDIA-GPUs mit Unsloth

How to Fine-Tune an LLM on NVIDIA GPUs With UnslothNVIDIA Blog

🦙Llama-Server Serving & Deployment

Um Nemotron 3 für die Produktion bereitzustellen, verwenden wir llama-server In einem neuen Terminal, z. B. via tmux, stelle das Modell bereit mit:

./llama.cpp/llama-server \
    --model unsloth/Nemotron-3-Nano-30B-A3B-GGUF/Nemotron-3-Nano-30B-A3B-UD-Q4_K_XL.gguf \
    --alias "unsloth/Nemotron-3-Nano-30B-A3B" \
    --prio 3 \
    --min-p 0,01 \
    --temp 0.6 \\
    --top-p 0.95 \
    --ctx-size 16384 \
    --port 8001

Wenn du das Obige ausführst, erhältst du:

Dann in einem neuen Terminal, nachdem du pip install openaiausgeführt hast, mache:

from openai import OpenAI
import json
openai_client = OpenAI(
    base_url = "http://127.0.0.1:8001/v1",
    api_key = "sk-no-key-required",
)
completion = openai_client.chat.completions.create(
    model = "unsloth/Nemotron-3-Nano-30B-A3B",
    messages = [{"role": "user", "content": "Was ist 2+2?"},],
)
print(completion.choices[0].message.content)

Das wird ausgeben

Der Benutzer stellt eine einfache Frage: "Was ist 2+2?" Die Antwort ist 4. Geben Sie die Antwort an.

2 + 2 = 4.

Benchmarks

Nemotron-3-Nano-4B ist das Modell mit der besten Leistung seiner Größe, einschließlich Durchsatz.

Nemotron-3-Nano-30B-A3B ist das Modell mit der besten Leistung über alle Benchmarks hinweg, einschließlich Durchsatz.