🧩NVIDIA Nemotron 3 Nano - 実行ガイド

NVIDIA Nemotron 3 Nano をローカルで実行およびファインチューニングしましょう！

NVIDIAはNemotron 3 Nanoを公開しました。これは約360億のアクティブパラメータを持つ30Bパラメータのハイブリッド推論MoEモデルで、高速かつ正確なコーディング、数学、エージェントタスク向けに設計されています。これには 100万トークンのコンテキストウィンドウ があり、同クラスサイズの中でSWE-Bench、GPQA Diamond、推論、チャット、スループットで最も優れています。

Nemotron 3 Nanoは 24GBのRAM/VRAM（またはユニファイドメモリ）で動作し、今では ファインチューニング をローカルで行うことができます。Unslothにデイゼロサポートを提供してくれたNVIDIAに感謝します。

実行チュートリアルNano 3のファインチューニング

NVIDIA Nemotron 3 Nano GGUFを実行するには： unsloth/Nemotron-3-Nano-30B-A3B-GGUF また、以下をアップロードしました： BF16 と FP8 のバリアントです。

⚙️ 使用ガイド

NVIDIAは推論のために以下の設定を推奨します：

一般的なチャット／指示（デフォルト）：

• temperature = 1.0

• top_p = 1.0

ツール呼び出しのユースケース：

• temperature = 0.6

• top_p = 0.95

ほとんどのローカル用途では、次を設定してください：

• max_new_tokens = 32,768 を 262,144 に（最大1Mトークンの標準プロンプト用）

• RAM/VRAMに余裕がある場合は、深い推論や長文生成のために増やしてください。

チャットテンプレート形式は以下を使用したときに見られます：

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,
)

モデルはNoPEで訓練されているため、変更する必要があるのは max_position_embeddingsだけです。モデルは明示的な位置埋め込みを使用しないため、YaRNは必要ありません。

Nemotron 3のチャットテンプレート形式：

Nemotron 3は <think> をトークンID12で使い、 </think> をトークンID13で推論に使用します。llama.cppのトークンを確認するには --special を使用してください。先頭に追加されているため、表示するには --verbose-prompt が必要な場合があります。 <think> を表示するためです。

<|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

🖥️ Nemotron-3-Nano-30B-A3Bの実行

ユースケースに応じて異なる設定を使用する必要があります。いくつかのGGUFはモデルアーキテクチャ（例えば gpt-oss)の次元が128で割り切れないため、部分的に低ビットに量子化できず、サイズが似たものになることがあります。

モデルの4ビットバージョンは約24GBのRAMを必要とします。8ビットは36GBを必要とします。

Llama.cpp チュートリアル（GGUF）：

llama.cppで実行する手順（ほとんどのデバイスに収めるために4ビットを使用します）：

1

最新の llama.cpp を ここでGitHubから入手してください。以下のビルド手順に従うこともできます。変更するのは -DGGML_CUDA=ON を から -DGGML_CUDA=OFF に（GPUがない場合やCPU推論のみを行いたい場合）。AppleのMac / Metalデバイスの場合 から 、次を設定してから通常どおり続けてください - Metalサポートはデフォルトでオンです。

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

Hugging Faceから直接プルできます。RAM/VRAMに応じてコンテキストを1Mに増やすことができます。

以下に従って、 一般的な指示 のユースケース：

./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

以下に従って、 ツール呼び出し用 のユースケース：

./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

モデルをダウンロードするには（先に pip install huggingface_hub hf_transfer をインストールした後）、 UD-Q4_K_XL や他の量子化バージョンを選択できます。

# !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

その後、会話モードでモデルを実行します：

./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

また、必要に応じて コンテキストウィンドウ を調整してください。ハードウェアが256K以上のコンテキストウィンドウを処理できることを確認してください。1Mに設定するとCUDAのOOMを引き起こしてクラッシュする可能性があるため、デフォルトは262,144になっています。

Nemotron 3は <think> をトークンID12で使い、 </think> をトークンID13で推論に使用します。llama.cppのトークンを確認するには --special を使用してください。先頭に追加されているため、表示するには --verbose-prompt が必要な場合があります。 <think> を表示するためです。

モデルは NoPEで訓練されているため、変更する必要があるのは max_position_embeddingsだけです。モデルは明示的な位置埋め込みを使用しないので、 YaRNは必要ありません。.

🦥 Nemotron 3 Nanoのファインチューニングと強化学習（RL）

Unslothは現在、Nemotron 3 Nanoを含むすべてのNemotronモデルのファインチューニングをサポートしています。30Bモデルは無料のColab GPUには収まりませんが、ファインチューニング用に80GB A100のColabノートブックを用意しました。Nemotron 3 Nanoの16ビットLoRAファインチューニングではおおよそ 60GBのVRAM:

• Nemotron-3-Nano-30B-A3B SFT LoRAノートブック

Google Colabcolab.research.google.com

MoEのファインチューニングについては、ルーターレイヤーをファインチューニングするのはおそらく良い考えではないため、デフォルトで無効にしています。推論能力を維持したい場合（任意）には、直接的な回答とチェーンオブソートの例を混在させることができます。データセットには少なくとも 75%の推論（reasoning） と 25%の非推論（non-reasoning） を含めて、モデルが推論能力を保持するようにしてください。

✨強化学習 + NeMo Gym

我々はオープンソースのNVIDIA NeMo Gym チームと協力して、RL環境の民主化を可能にしました。私たちのコラボは、NeMo Gymのトレーニング環境やデータセットを使用して、数学、コーディング、ツール使用など多くの関心領域に対する単一ターンのロールアウトRLトレーニングを可能にします：

• NeMo Gym Sudoku 強化学習ノートブック

Google Colabcolab.research.google.com

• NeMo Gym マルチ環境 強化学習ノートブック

Google Colabcolab.research.google.com

また、NVIDIA公式の開発者ブログに掲載された最新のコラボガイドもご確認ください：

Unslothを使ったNVIDIA GPUでのLLMファインチューニング方法

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

🎉Llama-serverのサービングとデプロイ

Nemotron 3を本番展開するために、我々は llama-server を使用します。

新しい端末で（例えばtmux経由で）モデルを次のようにデプロイします：
    --model unsloth/Nemotron-3-Nano-30B-A3B-GGUF/Nemotron-3-Nano-30B-A3B-UD-Q4_K_XL.gguf \
    ./llama.cpp/llama-server \
    --alias "unsloth/Nemotron-3-Nano-30B-A3B" \
    --prio 3 \
    --temp 0.6 \
    --min_p 0.01 \
    --ctx-size 16384 \
    --top-p 0.95 \

--port 8001

上記を実行すると、次のような出力が得られます： その後、新しい端末でpip install openai

を行った後、次を実行します：
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": "What is 2+2?"},],

print(completion.choices[0].message.content)

これにより次が出力されます：

2 + 2 = 4.

ユーザーが単純な質問をします：「What is 2+2?」答えは4です。回答を提供してください。

ベンチマーク結果：Nemotron-3-Nano-30B-A3Bはスループットを含むすべてのベンチマークで最も高い性能を示すモデルです。