🧩NVIDIA Nemotron-3-Super : guide d'exécution

Exécutez et affinez NVIDIA Nemotron-3-Super-120B-A12B localement sur votre appareil !

NVIDIA publie Nemotron-3-Super-120B-A12B, un modèle MoE hybride ouvert de raisonnement 120B avec 12B de paramètres actifs, faisant suite au lancement précédent de Nemotron-3-Nano, son homologue 30B. Nemotron-3-Super est conçu pour une grande efficacité et précision pour l'IA multi-agent. Avec une fenêtre de contexte de 1M jetons , il domine sa catégorie de taille sur les benchmarks AIME 2025, Terminal Bench et SWE-Bench Verified, tout en atteignant le débit le plus élevé.

Nemotron-3-Super fonctionne sur un appareil avec 64 Go de RAM, VRAM ou mémoire unifiée et peut désormais être affiné localement. Merci à NVIDIA pour avoir fourni à Unsloth un support day-zero.

Nemotron 3 SuperNemotron 3 Nano

GGUF : NVIDIA-Nemotron-3-Super-120B-A12B-GGUF

⚙️ Guide d'utilisation

NVIDIA recommande ces paramètres pour l'inférence :

Chat/instruction général (par défaut) :

• température = 1.0

• top_p = 1.0

Cas d'utilisation d'appel d'outils :

• température = 0.6

• top_p = 0.95

Pour la plupart des usages locaux, réglez :

• max_new_tokens = 32,768 à 262,144 pour les invites standard avec un maximum de 1M de jetons

• Augmentez pour un raisonnement profond ou une génération longue selon ce que votre RAM/VRAM permet.

Le format du modèle de chat se trouve lorsque nous utilisons le suivant :

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,
)

Parce que le modèle a été entraîné avec NoPE, vous n'avez besoin que de modifier max_position_embeddings. Le modèle n'utilise pas d'embeddings positionnels explicites, donc YaRN n'est pas nécessaire.

Format du template de chat Nemotron 3 :

Nemotron 3 utilise <think> avec l'ID de token 12 et </think> avec l'ID de token 13 pour le raisonnement. Utilisez --special pour voir les tokens pour llama.cpp. Vous pourriez aussi avoir besoin de --verbose-prompt pour voir <think> puisqu'il est préfixé.

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

🖥️ Exécuter Nemotron-3-Super-120B-A12B

Selon votre cas d'utilisation, vous devrez utiliser des paramètres différents. Certains GGUF ont une taille similaire parce que l'architecture du modèle (comme gpt-oss) a des dimensions non divisibles par 128, donc des parties ne peuvent pas être quantifiées en bits inférieurs. Accédez aux GGUF ici.

Les versions 4 bits du modèle nécessitent ~64GB RAM - 72GB RAM. 8 bits nécessite 128GB.

Tutoriel Llama.cpp (GGUF) :

Instructions pour exécuter dans llama.cpp (notez que nous utiliserons du 4 bits pour tenir sur la plupart des appareils) :

1

Obtenez le dernier llama.cpp sur GitHub ici. Vous pouvez aussi suivre les instructions de compilation ci-dessous. Changez -DGGML_CUDA=ON à -DGGML_CUDA=OFF si vous n'avez pas de GPU ou si vous voulez simplement l'inférence CPU.

Nous devrons installer la branche llama.cpp d'Unsloth pour Nemotron-3-Super ! Ce n'est pas nécessaire pour LM Studio, car il fonctionnera avec une mise à jour.

apt-get update
apt-get install pciutils build-essential cmake curl libcurl4-openssl-dev -y
git clone https://github.com/unslothai/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

Vous pouvez directement tirer depuis Hugging Face. Vous pouvez augmenter le contexte à 1M selon ce que votre RAM/VRAM permet.

Suivez ceci pour cas d'utilisation d'instruction générale :

./llama.cpp/llama-cli \
    -hf unsloth/NVIDIA-Nemotron-3-Super-120B-A12B-GGUF:UD-Q3_K_XL \
    --ctx-size 16384 \
    --temp 1.0 --top-p 1.0

Suivez ceci pour appel d'outils :

./llama.cpp/llama-cli \
    -hf unsloth/NVIDIA-Nemotron-3-Super-120B-A12B-GGUF:UD-Q3_K_XL \
    --ctx-size 32768 \
    --temp 0.6 --top-p 0.95

3

Téléchargez le modèle via (après avoir installé pip install huggingface_hub hf_transfer ). Vous pouvez choisir Q4_K_M ou d'autres versions quantifiées comme UD-Q4_K_XL . Nous recommandons d'utiliser au moins la quantification dynamique 2 bits UD-Q2_K_XL pour équilibrer taille et précision. Si les téléchargements se bloquent, voir : Hugging Face Hub, débogage XET

hf download unsloth/NVIDIA-Nemotron-3-Super-120B-A12B-GGUF \
    --local-dir unsloth/NVIDIA-Nemotron-3-Super-120B-A12B-GGUF \
    --include "*UD-Q3_K_XL*" # Utilisez "*UD-Q2_K_XL*" pour Dynamic 2bit

4

Puis exécutez le modèle en mode conversation :

/llama.cpp/llama-cli \
    --model unsloth/NVIDIA-Nemotron-3-Super-120B-A12B-GGUF/UD-Q3_K_XL/NVIDIA-Nemotron-3-Super-120B-A12B-UD-Q3_K_XL-00001-of-00003.gguf \
    --ctx-size 16384 \
    --seed 3407 \
    --prio 2 \
    --temp 0.6 \
    --top-p 0.95

Ajustez également la fenêtre de contexte selon les besoins. Assurez-vous que votre matériel peut gérer plus d'une fenêtre de contexte de 256K. La régler à 1M peut déclencher un OOM CUDA et planter, c'est pourquoi la valeur par défaut est 262 144.

🦥 Affinage de Nemotron 3 et RL

Unsloth prend désormais en charge l'affinage de tous les modèles Nemotron, y compris Nemotron 3 Super et Nano. Pour des exemples de notebook pour Nano, voyez notre guide d'affinage Nano.

Nemotron 3 Super

• L'affinage du router-layer est désactivé par défaut pour des raisons de stabilité.

• Nemotron-3-Super-120B - LoRA bf16 fonctionne sur 256GB de VRAM. Si vous utilisez plusieurs GPU, ajoutez device_map = "balanced" ou suivez notre Guide multiGPU.

🦙Service & déploiement llama-server

Pour déployer Nemotron 3 en production, nous utilisons llama-server Dans un nouveau terminal, par exemple via tmux, déployez le modèle via :

./llama.cpp/llama-server \
    --model unsloth/NVIDIA-Nemotron-3-Super-120B-A12B-GGUF/UD-Q3_K_XL/NVIDIA-Nemotron-3-Super-120B-A12B-UD-Q3_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

Lorsque vous lancez ce qui précède, vous obtiendrez :

Puis dans un nouveau terminal, après avoir fait pip install openai, faites :

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": "What is 2+2?"},],
)
print(completion.choices[0].message.reasoning_content)
print(completion.choices[0].message.content)

Ce qui affichera

D'accord, l'utilisateur a demandé "What is 2+2 ?" Cela semble être une question arithmétique très basique.

Hmm, peut-être qu'ils testent si je fais attention, ou peut-être qu'il s'agit d'un jeune enfant apprenant les mathématiques. Cela pourrait aussi être quelqu'un vérifiant si je vais compliquer une question simple.

Je devrais rester simple car il n'y a aucune indication de tromperie dans la requête. La réponse est définitivement 4 - pas besoin de remettre en question une addition basique.

Bien que je me demande en partie s'ils préparent une blague (comme "2+2=5 pour de grandes valeurs de 2"), mais comme ils n'ont pas fourni de contexte, je supposerai qu'il s'agit d'une question sincère.

Il vaut mieux répondre clairement et chaleureusement - cela pourrait les encourager à poser d'autres questions s'ils apprennent. Pas besoin de fioritures ; énoncez simplement le fait de manière utile.

2 + 2 égale **4**.

Ceci est un fait arithmétique fondamental en notation base 10 (décimale). Si vous interrogez dans un contexte différent (comme l'arithmétique modulaire, le binaire, ou une blague/référence), n'hésitez pas à préciser—je peux m'adapter ! 😊

Benchmarks

Comparé à des modèles de taille similaire, Nemotron 3 Super offre des performances compétitives, tout en fournissant le débit le plus élevé.