🧩NVIDIA Nemotron 3 Nano - 実行ガイド

NVIDIA Nemotron 3 Nano をローカルで実行＆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30Bパラメータのハイブリッド推論MoEモデルで、アクティブパラメータは約3.6Bです — 高速で正確なコーディング、数学、エージェントタスク向けに構築されています。特徴として 1Mのコンテキストウィンドウ を持ち、SWE-Bench、GPQA Diamond、推論、チャットおよびスループットで同クラス中最高です。

Nemotron 3 Nanoは 24GBのRAM/VRAM（またはユニファイドメモリ）で動作し、そして今あなたは ファインチューン それをローカルで実行できます。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 を実行するために： unsloth/Nemotron-3-Nano-30B-A3B-GGUF 私たちはまた BF16 および FP8 のバリアントもアップロードしました。

⚙️ 使用ガイド

NVIDIAは推論のために以下の設定を推奨しています：

一般的なチャット／指示（デフォルト）：

• temperature = 1.0

• top_p = 1.0

ツールコーリングのユースケース：

• temperature = 0.6

• top_p = 0.95

ほとんどのローカル利用では、次を設定してください：

• max_new_tokens = 32,768 から 262,144 最大1Mトークンの標準プロンプト用に

• 深い推論や長文生成の場合は、RAM/VRAMの許す範囲で増やしてください。

チャットテンプレートの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,
)

Nemotron 3チャットテンプレート形式：

Nemotron 3は <think> をトークンID 12で使用し、 </think> を推論用にトークンID 13で使用します。使用するには --special を使ってllama.cppのトークンを表示してください。また必要に応じて --verbose-prompt を使って <think> を確認してください。これは前置されているためです。

<|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 を実行

ユースケースによっ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、サイズが似通ってしまい、一部を低ビットで量子化できません。

Llama.cpp チュートリアル（GGUF）：

llama.cppでの実行手順（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 GitHub で入手できます。下のビルド手順に従うこともできます。変更してください -DGGML_CUDA=ON から -DGGML_CUDA=OFF GPU がない場合や CPU 推論のみを行いたい場合は。

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の許す範囲でコンテキストを1Mに増やせます。

次に従ってください（これは 一般的な指示 ユースケース用です）：

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

次に従ってください（これは ツールコーリング ユースケース用です）：

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

3

（以下をインストールした後に）モデルをダウンロードします pip install huggingface_hub hf_transfer ）。量子化バージョンとして選べます UD-Q4_K_XL や他のもの。

# !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

次にモデルを会話モードで実行します：

./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 \
    --fit on \
    --seed 3407 \
    --prio 2 \
    --temp 0.6 \
    --top-p 0.95 \
    --jinja

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 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です。

5

Nemotron 3は <think> をトークンID 12で使用し、 </think> を推論用にトークンID 13で使用します。使用するには --special を使ってllama.cppのトークンを表示してください。また必要に応じて --verbose-prompt を使って <think> を確認してください。これは前置されているためです。

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エンベディングを使用しないため、 YaRNは不要です.

🦥 Nemotron 3 Nano のファインチューニングとRL

Unslothは現在すべてのNemotronモデル（Nemotron 3 Nanoを含む）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 - ルーターレイヤーをファインチューニングするのはあまり良い考えではない可能性があるため、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）、直接回答とチェーン・オブ・ソートの例を混ぜて使用できます。データセットには少なくとも 75%の推論（reasoning） および 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

私たち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、数学、コーディング、ツール使用など多くの関心領域に対して、NeMo Gymのトレーニング環境とデータセットを使用したシングルト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 複数環境 強化学習ノートブック

Google Colabcolab.research.google.com

また、NVIDIA公式デベロッパーブログに掲載された最新のコラボガイドもチェックしてください：

UnslothでNVIDIA GPU上のLLMをファインチューニングする方法

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

🎉Llama-server によるサービングとデプロイ

Nemotron 3を本番展開するには、私たちは次を使用します llama-server を使用します。新しいターミナルで例えば tmux を使い、次でモデルをデプロイします：

./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" \
    --fit on \
    --prio 3 \
    --min_p 0.01 \
    --temp 0.6 \
    --top-p 0.95 \
    --ctx-size 16384 \
    --port 8001 \
    --jinja

上記を実行すると、次が得られます：

その後、新しいターミナルで、次を実行した後に： pip install openai、次を行います：

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)

これにより次が表示されます

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

2 + 2 = 4.

ベンチマーク

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。