> For the complete documentation index, see [llms.txt](https://unsloth.ai/docs/llms.txt). Markdown versions of documentation pages are available by appending `.md` to page URLs; this page is available as [Markdown](https://unsloth.ai/docs/de/modelle/nemotron-3/nemotron-3-super.md). # NVIDIA Nemotron-3-Super: Anleitung zum Ausführen NVIDIA veröffentlicht **Nemotron-3-Super-120B-A12B**, ein offenes hybrides Reasoning-MoE-Modell mit 120B und 12B aktiven Parametern, nach dem früheren Start von [Nemotron-3-Nano](/docs/de/modelle/nemotron-3.md), seinem 30B-Pendant. Nemotron-3-Super ist auf hohe Effizienz und Genauigkeit für Multi-Agenten-KI ausgelegt. Mit einem **1M-Token** Kontextfenster führt es in seiner Größenklasse bei den Benchmarks AIME 2025, Terminal Bench und SWE-Bench Verified, während es den höchsten Durchsatz erreicht. Nemotron-3-Super läuft auf einem Gerät mit **64GB** von RAM, VRAM oder Unified Memory und kann nun lokal feinabgestimmt werden. Danke an NVIDIA für die Day-Zero-Unterstützung von Unsloth. Nemotron 3 SuperNemotron 3 Nano GGUF: [Nemotron-3-Super-120B-A12B-GGUF](https://huggingface.co/unsloth/NVIDIA-Nemotron-3-Super-120B-A12B-GGUF) • [NVFP4](https://huggingface.co/unsloth/NVIDIA-Nemotron-3-Super-120B-A12B-NVFP4) • [FP8](https://huggingface.co/unsloth/NVIDIA-Nemotron-3-Super-120B-A12B-FP8) • [BF16](https://huggingface.co/unsloth/NVIDIA-Nemotron-3-Super-120B-A12B) ### ⚙️ Nutzungsanleitung NVIDIA empfiehlt für die Inferenz diese Einstellungen: {% columns %} {% column %} **Allgemeiner Chat-/Instruktionsmodus (Standard):** * `temperature = 1.0` * `top_p = 1.0` {% endcolumn %} {% column %} **Anwendungsfälle für Tool-Calling:** * `temperature = 0.6` * `top_p = 0.95` {% endcolumn %} {% endcolumns %} **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: {% code overflow="wrap" %} ```python 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, ) ``` {% endcode %} {% hint style="success" %} Da das Modell mit NoPE trainiert wurde, müssen Sie nur `max_position_embeddings`ändern. Das Modell verwendet keine expliziten Positions-Embeddings, daher wird YaRN nicht benötigt. {% endhint %} #### Nemotron 3 Chat-Template-Format: {% hint style="info" %} Nemotron 3 verwendet `` mit Token-ID 12 und `` mit Token-ID 13 für Reasoning. Verwenden Sie `--special` um die Token für llama.cpp zu sehen. Möglicherweise benötigen Sie auch `--verbose-prompt` um `` zu sehen, da es vorangestellt wird. {% endhint %} {% code overflow="wrap" lineNumbers="true" %} ``` <|im_start|>system\n<|im_end|>\n<|im_start|>user\nWas ist 1+1?<|im_end|>\n<|im_start|>assistant\n2<|im_end|>\n<|im_start|>user\nWas ist 2+2?<|im_end|>\n<|im_start|>assistant\n\n ``` {% endcode %} ### 🖥️ Führe Nemotron-3-Super-120B-A12B aus Je nach Anwendungsfall müssen Sie unterschiedliche Einstellungen verwenden. Einige GGUFs landen in ähnlicher Größe, weil die Modellarchitektur (wie [gpt-oss](/docs/de/modelle/gpt-oss-how-to-run-and-fine-tune.md)) hat Abmessungen, die nicht durch 128 teilbar sind, daher können Teile nicht auf niedrigere Bits quantisiert werden. GGUFs aufrufen [hier](https://huggingface.co/unsloth/NVIDIA-Nemotron-3-Super-120B-A12B-GGUF). Die 4-Bit-Versionen des Modells benötigen \~64GB RAM - 72GB RAM. 8-Bit benötigt 128GB. #### Llama.cpp-Tutorial (GGUF): Anweisungen zum Ausführen in llama.cpp (beachten Sie, dass wir 4-Bit verwenden werden, damit es auf die meisten Geräte passt): {% stepper %} {% step %} Hole dir die neueste `llama.cpp` auf [GitHub hier](https://github.com/ggml-org/llama.cpp). 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. {% code overflow="wrap" %} ```bash 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 ``` {% endcode %} {% endstep %} {% step %} Sie können direkt von Hugging Face herunterladen. Sie können den Kontext auf 1 Mio. erhöhen, soweit Ihr RAM/VRAM es zulässt. Folge dem hier für **allgemeine Anweisungs-** Anwendungsfälle: ```bash ./llama.cpp/llama-cli \ -hf unsloth/NVIDIA-Nemotron-3-Super-120B-A12B-GGUF:UD-Q4_K_XL \ --ctx-size 16384 \ --temp 1.0 --top-p 1.0 ``` Folge dem hier für **Tool-Aufruf** Anwendungsfälle: ```bash ./llama.cpp/llama-cli \ -hf unsloth/NVIDIA-Nemotron-3-Super-120B-A12B-GGUF:UD-Q4_K_XL \ --ctx-size 32768 \\ --temp 0.6 --top-p 0.95 ``` {% endstep %} {% step %} Lade das Modell herunter über (nach der Installation von `pip install huggingface_hub hf_transfer` ). Du kannst Q4\_K\_M oder andere quantisierte Versionen wie wählen `UD-Q4_K_XL` . Wir empfehlen, mindestens 2-Bit Dynamic Quant `UD-Q2_K_XL` zu verwenden, um Größe und Genauigkeit auszubalancieren. Wenn Downloads hängen bleiben, siehe: [Hugging Face Hub, XET-Debugging](/docs/de/grundlagen/troubleshooting-and-faqs/hugging-face-hub-xet-debugging.md) ```bash hf download unsloth/NVIDIA-Nemotron-3-Super-120B-A12B-GGUF \ --local-dir unsloth/NVIDIA-Nemotron-3-Super-120B-A12B-GGUF \ --include "*UD-Q4_K_XL*" # Verwende "*UD-Q2_K_XL*" für Dynamic 2bit ``` {% endstep %} {% step %} Führen Sie das Modell dann im Konversationsmodus aus: {% code overflow="wrap" %} ```bash /llama.cpp/llama-cli \ --model unsloth/NVIDIA-Nemotron-3-Super-120B-A12B-GGUF/UD-Q4_K_XL/NVIDIA-Nemotron-3-Super-120B-A12B-UD-Q4_K_XL-00001-of-00003.gguf \ --ctx-size 16384 \ --seed 3407 \\ --prio 2 \\ --temp 0.6 \\ --top-p 0.95 ``` {% endcode %}
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. {% endstep %} {% endstepper %} ### 🦥 Nemotron 3 und RL feinabstimmen Unsloth unterstützt jetzt das Feinabstimmen aller Nemotron-Modelle, einschließlich Nemotron 3 Super und Nano. Beispiele für Notebooks von Nano findest du in unserem Nemotron 3 [Nano-Feinabstimmungsleitfaden](/docs/de/modelle/nemotron-3.md). #### Nemotron 3 Super * Das Feinabstimmen der Router-Schicht ist standardmäßig aus Gründen der Stabilität deaktiviert. * Nemotron-3-Super-120B - bf16 LoRA funktioniert auf 256GB VRAM. Wenn du mehrere GPUs verwendest, füge `device_map = "balanced"` hinzu oder befolge unseren [MultiGPU-Leitfaden](/docs/de/grundlagen/multi-gpu-training-with-unsloth.md). ### 🦙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: {% code overflow="wrap" %} ```bash ./llama.cpp/llama-server \ --model unsloth/NVIDIA-Nemotron-3-Super-120B-A12B-GGUF/UD-Q4_K_XL/NVIDIA-Nemotron-3-Super-120B-A12B-UD-Q4_K_XL-00001-of-00003.gguf \ --alias "unsloth/NVIDIA-Nemotron-3-Super-120B-A12B" \ --prio 3 \ --min-p 0,01 \ --temp 0.6 \\ --top-p 0.95 \ --ctx-size 16384 \ --port 8001 ``` {% endcode %} Wenn du das Obige ausführst, erhältst du:
Dann in einem neuen Terminal, nachdem du `pip install openai`ausgeführt hast, mache: {% code overflow="wrap" %} ```python 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/NVIDIA-Nemotron-3-Super-120B-A12B", messages = [{"role": "user", "content": "Was ist 2+2?"},], ) print(completion.choices[0].message.reasoning_content) print(completion.choices[0].message.content) ``` {% endcode %} Das wird ausgeben {% code overflow="wrap" %} ``` Okay, der Nutzer hat gefragt: „Was ist 2+2?“ Das scheint eine sehr einfache arithmetische Frage zu sein. Hm, vielleicht testen sie, ob ich aufmerksam bin, oder vielleicht ist es ein kleines Kind, das Mathe lernt. Es könnte auch jemand sein, der überprüft, ob ich eine einfache Frage unnötig verkompliziere. Ich sollte es unkompliziert halten, da in der Frage nichts auf einen Trick hindeutet. Die Antwort ist definitiv 4 – kein Grund, grundlegende Addition zu hinterfragen. Obwohl ich mich frage, ob sie vielleicht auf einen Witz hinauswollen (wie „2+2=5 für große Werte von 2“), aber da sie keinen Kontext angegeben haben, nehme ich eine ernst gemeinte Frage an. Am besten klar und freundlich antworten – das könnte sie ermutigen, mehr Fragen zu stellen, wenn sie lernen. Aber ohne viel drumherum; einfach die Tatsache hilfreich nennen. 2 + 2 ist **4**. Das ist eine grundlegende arithmetische Tatsache in der Basis-10-(Dezimal-)Schreibweise. Wenn du nach einem anderen Kontext fragst (z. B. Modulo-Arithmetik, Binärsystem oder einem Witz/einer Anspielung), sag gern Bescheid – ich passe mich gerne an! 😊 ``` {% endcode %} ### Benchmarks Im Vergleich zu ähnlich großen Modellen ist Nemotron 3 Super wettbewerbsfähig und bietet gleichzeitig den höchsten Durchsatz.
--- # Agent Instructions This documentation is published with GitBook. GitBook is the documentation platform designed so that both humans and AI agents can read, navigate, and reason over technical content effectively. Learn more at gitbook.com. ## Querying This Documentation If you need additional information that is not directly available in this page, you can query the documentation dynamically by asking a question. Perform an HTTP GET request on the current page URL with the `ask` query parameter, and the optional `goal` query parameter: ``` GET https://unsloth.ai/docs/de/modelle/nemotron-3/nemotron-3-super.md?ask=&goal= ``` `ask` is the immediate question: it should be specific, self-contained, and written in natural language. `goal` is optional and describes the broader end goal you are ultimately trying to accomplish on behalf of the user. GitBook uses it to tailor the answer towards what is most useful for that goal. The response will contain a direct answer to the question and relevant excerpts and sources from the documentation. Use this mechanism when the answer is not explicitly present in the current page, you need clarification or additional context, or you want to retrieve related documentation sections.