🧩NVIDIA Nemotron-3-Super: Leitfaden zum Ausführen

Führe NVIDIA Nemotron-3-Super-120B-A12B lokal auf deinem Gerät aus und feinabstimme es!

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, 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 • NVFP4 • FP8 • BF16

⚙️ 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

🖥️ 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) hat Abmessungen, die nicht durch 128 teilbar sind, daher können Teile nicht auf niedrigere Bits quantisiert werden. GGUFs aufrufen hier.

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):

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.

Folge dem hier für allgemeine Anweisungs- Anwendungsfälle:

./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:

./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

3

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

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

4

Führen Sie das Modell dann im Konversationsmodus aus:

/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

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 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.

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.

🦙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/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

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/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)

Das wird ausgeben

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! 😊

Benchmarks

Im Vergleich zu ähnlich großen Modellen ist Nemotron 3 Super wettbewerbsfähig und bietet gleichzeitig den höchsten Durchsatz.