> 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/zh/mo-xing/nemotron-3.md).
# NVIDIA Nemotron 3 Nano - 运行指南
在你的设备上本地运行并微调 NVIDIA Nemotron 3 Nano！
NVIDIA 发布 **Nemotron-3-Nano-4B**, 一款 4B 开放式混合 MoE 模型，遵循 [Nemotron-3-Super-120B-A12B](/docs/zh/mo-xing/nemotron-3/nemotron-3-super.md) 以及 Nemotron-3-Nano-30B-A3B。Nemotron 系列专为快速、准确的编程、数学和智能体工作负载而设计。它们具有 **100 万 token 上下文** 窗口，并在推理、聊天和吞吐量基准上具有竞争力。
Nemotron-3-Nano-4B 可运行在 **5GB** 的 RAM、VRAM 或统一内存上运行。Nemotron-3-Nano-30A3B 可运行在 **24GB** RAM 上。Nemotron 3 现在可以通过本地进行微调： [Unsloth](https://github.com/unslothai/unsloth)。感谢 NVIDIA 为 Unsloth 提供首日支持。
Nemotron-3-Nano-4BNemotron-3-Nano-30B-A3B微调 Nemotron 3
| [Nemotron-3-Nano-**4B**-GGUF](https://huggingface.co/unsloth/NVIDIA-Nemotron-3-Nano-4B-GGUF) | [Nemotron-3-**Nano-30B-A3B**-GGUF](https://huggingface.co/unsloth/Nemotron-3-Nano-30B-A3B-GGUF) |
| -------------------------------------------------------------------------------------------- | ----------------------------------------------------------------------------------------------- |
### ⚙️ 使用指南
NVIDIA 建议以下推理设置：
{% columns %}
{% column %}
**通用聊天/指令（默认）：**
* `temperature = 1.0`
* `top_p = 1.0`
{% endcolumn %}
{% column %}
**工具调用用例：**
* `temperature = 0.6`
* `top_p = 0.95`
{% endcolumn %}
{% endcolumns %}
**对于大多数本地使用场景，设置：**
* `max_new_tokens` = `32,768` 改为 `262,144` 用于标准提示，最大可达 100 万 token
* 根据 RAM/VRAM 的限制增加，以用于深度推理或长文本生成。
当我们使用以下内容时，可得到聊天模板格式：
{% code overflow="wrap" %}
```python
tokenizer.apply_chat_template([
{"role" : "user", "content" : "1+1 等于多少？"},
{"role" : "assistant", "content" : "2"},
{"role" : "user", "content" : "2+2 等于多少？"}
], add_generation_prompt = True, tokenize = False,
)
```
{% endcode %}
{% hint style="success" %}
因为该模型使用 NoPE 训练，所以你只需要修改 `max_position_embeddings`。该模型不使用显式位置嵌入，因此不需要 YaRN。
{% endhint %}
#### Nemotron 3 聊天模板格式：
{% hint style="info" %}
Nemotron 3 使用 `` 使用令牌 ID 12 和 `` 使用令牌 ID 13 用于推理。使用 `--special` 以查看 llama.cpp 的令牌。你可能还需要 `--verbose-prompt` 以查看 `` 因为它被添加在前面。
{% endhint %}
{% code overflow="wrap" lineNumbers="true" %}
```
<|im_start|>system\n<|im_end|>\n<|im_start|>user\n1+1 等于多少？<|im_end|>\n<|im_start|>assistant\n2<|im_end|>\n<|im_start|>user\n2+2 等于多少？<|im_end|>\n<|im_start|>assistant\n\n
```
{% endcode %}
## 🖥️ 运行 Nemotron-3-Nano-4B
根据你的使用场景，你需要使用不同的设置。一些 GGUF 文件最终大小相近，因为模型架构（例如 [gpt-oss](/docs/zh/mo-xing/gpt-oss-how-to-run-and-fine-tune.md)）的维度不能被 128 整除，因此某些部分无法量化到更低位数。
该模型的 4 位版本需要约 3GB RAM。8 位需要 5GB。
### 🦥 Unsloth Studio 指南
Nemotron 3 可以在以下环境中运行和微调 [Unsloth Studio](/docs/zh/xin/studio.md)，这是我们新的本地 AI 开源 Web UI。借助 Unsloth Studio，你可以在以下平台本地运行模型 **MacOS、Windows**、Linux 以及：
{% columns %}
{% column %}
* 搜索、下载、 [运行 GGUF](/docs/zh/xin/studio.md#run-models-locally) 和 safetensor 模型
* [**自修复** 工具调用](/docs/zh/xin/studio.md#execute-code--heal-tool-calling) + **网页搜索**
* [**代码执行**](/docs/zh/xin/studio.md#run-models-locally) （Python、Bash）
* [自动推理](https://unsloth.ai/docs/desktop#feature-deep-dive) 参数调优（温度、top-p 等）
* 通过 llama.cpp 实现快速 CPU + GPU 推理
* [训练 LLM](/docs/zh/xin/studio.md#no-code-training) 速度快 2 倍，VRAM 占用减少 70%
{% endcolumn %}
{% column %}
{% endcolumn %}
{% endcolumns %}
{% stepper %}
{% step %}
#### 安装 Unsloth
在你的终端中运行：
**MacOS、Linux、WSL：**
```bash
curl -fsSL https://unsloth.ai/install.sh | sh
```
**Windows PowerShell：**
```bash
irm https://unsloth.ai/install.ps1 | iex
```
{% endstep %}
{% step %}
#### 启动 Unsloth
**MacOS、Linux、WSL、Windows：**
```bash
unsloth studio -H 0.0.0.0 -p 8888
```
**然后打开 `http://localhost:8888` 在你的浏览器中。**
{% endstep %}
{% step %}
#### 搜索并下载 Nemotron-3-Nano-4B
首次启动时，你需要创建一个密码来保护你的账户，并在之后重新登录。然后你会看到一个简短的引导向导，用于选择模型、数据集和基本设置。你可以随时跳过。
然后前往 [Unsloth Chat](/docs/zh/xin/studio/chat.md) 选项卡中，在搜索栏搜索 Nemotron-3-Nano-4B，并下载你想要的模型和量化版本。
{% endstep %}
{% step %}
#### 运行 Nemotron-3-Nano-4B
在使用 Unsloth Studio 时，推理参数应自动设置，不过你仍然可以手动更改。你也可以编辑上下文长度、聊天模板和其他设置。
更多信息请查看我们的 [Unsloth Studio 推理指南](/docs/zh/xin/studio/chat.md).
{% endstep %}
{% endstepper %}
### Llama.cpp 教程：
在 llama.cpp 中运行的说明（我们将使用 8 位以接近全精度）：
{% stepper %}
{% step %}
获取最新的 `llama.cpp` 在 [GitHub 上获取](https://github.com/ggml-org/llama.cpp)。你也可以按照下面的构建说明进行操作。将 `-DGGML_CUDA=ON` 改为 `-DGGML_CUDA=OFF` 如果你没有 GPU，或者只想使用 CPU 推理。
{% 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 %}
你可以直接从 Hugging Face 拉取。你可以根据 RAM/VRAM 的限制将上下文增加到 100 万。
按照以下内容进行 **通用指令** 场景：
```bash
./llama.cpp/llama-cli \\
-hf unsloth/NVIDIA-Nemotron-3-Nano-4B-GGUF:Q8_0 \
--ctx-size 16384 \
--temp 1.0 --top-p 1.0
```
按照以下内容进行 **工具调用** 场景：
```bash
./llama.cpp/llama-cli \\
-hf unsloth/NVIDIA-Nemotron-3-Nano-4B-GGUF:Q8_0 \
--ctx-size 32768 \\
--temp 0.6 --top-p 0.95
```
{% endstep %}
{% step %}
通过以下方式下载模型（在安装 `pip install huggingface_hub hf_transfer` 之后）。你可以选择 `Q8_0` 或其他量化版本。
```python
# !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/NVIDIA-Nemotron-3-Nano-4B-GGUF",
local_dir = "unsloth/NVIDIA-Nemotron-3-Nano-4B-GGUF",
allow_patterns = ["*Q8_0*"],
)
```
{% endstep %}
{% step %}
然后在对话模式下运行模型：
{% code overflow="wrap" %}
```bash
./llama.cpp/llama-cli \\
--model unsloth/NVIDIA-Nemotron-3-Nano-4B-GGUF/NVIDIA-Nemotron-3-Nano-4B-Q8_0.gguf \
--ctx-size 16384 \
--seed 3407 \
--prio 2 \
--temp 0.6 \\
--top-p 0.95
```
{% endcode %}
另外，调整 **上下文窗口** 如有需要。确保你的硬件能够处理超过 256K 的上下文窗口。将其设置为 100 万可能会触发 CUDA OOM 并崩溃，这就是默认值为 262,144 的原因。
{% endstep %}
{% endstepper %}
## 🖥️ 运行 Nemotron-3-Nano-30B-A3B
根据你的使用场景，你需要使用不同的设置。一些 GGUF 文件最终大小相近，因为模型架构（例如 [gpt-oss](/docs/zh/mo-xing/gpt-oss-how-to-run-and-fine-tune.md)）的维度不能被 128 整除，因此某些部分无法量化到更低位数。
该模型的 4 位版本需要约 24GB RAM。8 位需要 36GB。
### 🦥 Unsloth Studio 指南
在本教程中，我们将使用 [Unsloth Studio](/docs/zh/xin/studio.md)，这是我们用于运行和训练 LLM 的新 Web UI。借助 Unsloth Studio，你可以在以下平台本地运行模型 **Mac、Windows**、Linux，以及：
{% columns %}
{% column %}
* 搜索、下载、 [运行 GGUF](/docs/zh/xin/studio.md#run-models-locally) 和 safetensor 模型
* **比较** 模型 **并排**
* [**自修复** 工具调用](/docs/zh/xin/studio.md#execute-code--heal-tool-calling) + **网页搜索**
* [**代码执行**](/docs/zh/xin/studio.md#run-models-locally) （Python、Bash）
* [自动推理](https://unsloth.ai/docs/desktop#feature-deep-dive) 参数调优（温度、top-p 等）
* [训练 LLM](/docs/zh/xin/studio.md#no-code-training) 速度快 2 倍，VRAM 占用减少 70%
{% endcolumn %}
{% column %}
{% endcolumn %}
{% endcolumns %}
{% stepper %}
{% step %}
#### 安装 Unsloth
**MacOS、Linux、WSL：**
```bash
curl -fsSL https://unsloth.ai/install.sh | sh
```
**Windows PowerShell：**
```bash
irm https://unsloth.ai/install.ps1 | iex
```
{% endstep %}
{% step %}
#### 设置 Unsloth Studio（一次性）
该设置会自动安装 Node.js（通过 nvm）、构建前端、安装所有 Python 依赖，并构建带有 CUDA 支持的 llama.cpp。
{% hint style="info" %}
**WSL 用户：** 系统会提示你输入你的 `sudo` 密码，以安装构建依赖项（`cmake`, `git`, `libcurl4-openssl-dev`).
{% endhint %}
{% endstep %}
{% step %}
#### 启动 Unsloth
**MacOS、Linux、WSL：**
```bash
source unsloth_studio/bin/activate
unsloth studio -H 0.0.0.0 -p 8888
```
**Windows PowerShell：**
```bash
& .\unsloth_studio\Scripts\unsloth.exe studio -H 0.0.0.0 -p 8888
```
**然后打开 `http://localhost:8888` 在你的浏览器中。**
{% endstep %}
{% step %}
#### 搜索并下载 Nemotron-3-Nano-30B-A3B
首次启动时，你需要创建一个密码来保护你的账户，并在之后重新登录。然后你会看到一个简短的引导向导，用于选择模型、数据集和基本设置。你可以随时跳过。
然后前往 [Unsloth Chat](/docs/zh/xin/studio/chat.md) 选项卡中，在搜索栏搜索 Nemotron-3-Nano-4B，并下载你想要的模型和量化版本。
{% endstep %}
{% step %}
#### 运行 Nemotron-3-Nano-30B-A3B
在使用 Unsloth Studio 时，推理参数应自动设置，不过你仍然可以手动更改。你也可以编辑上下文长度、聊天模板和其他设置。
更多信息请查看我们的 [Unsloth Studio 推理指南](/docs/zh/xin/studio/chat.md).
{% endstep %}
{% endstepper %}
### Llama.cpp 教程：
在 llama.cpp 中运行的说明（注意：为了适配大多数设备，我们将使用 4-bit）：
{% stepper %}
{% step %}
获取最新的 `llama.cpp` 在 [GitHub 上获取](https://github.com/ggml-org/llama.cpp)。你也可以按照下面的构建说明进行操作。将 `-DGGML_CUDA=ON` 改为 `-DGGML_CUDA=OFF` 如果你没有 GPU，或者只想使用 CPU 推理。 **对于 Apple Mac / Metal 设备**，设置 `-DGGML_CUDA=OFF` 然后按常规继续——Metal 支持默认开启。
{% 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 -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
```
{% endcode %}
{% endstep %}
{% step %}
你可以直接从 Hugging Face 拉取。你可以根据 RAM/VRAM 的限制将上下文增加到 100 万。
按照以下内容进行 **通用指令** 场景：
```bash
./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
```
按照以下内容进行 **工具调用** 场景：
```bash
./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
```
{% endstep %}
{% step %}
通过以下方式下载模型（在安装 `pip install huggingface_hub hf_transfer` 之后）。你可以选择 `UD-Q4_K_XL` 或其他量化版本。
```python
# !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*"],
)
```
{% endstep %}
{% step %}
然后在对话模式下运行模型：
{% code overflow="wrap" %}
```bash
./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
```
{% endcode %}
另外，调整 **上下文窗口** 如有需要。确保你的硬件能够处理超过 256K 的上下文窗口。将其设置为 100 万可能会触发 CUDA OOM 并崩溃，这就是默认值为 262,144 的原因。
{% hint style="info" %}
Nemotron 3 使用 `` 使用令牌 ID 12 和 `` 使用令牌 ID 13 用于推理。使用 `--special` 以查看 llama.cpp 的令牌。你可能还需要 `--verbose-prompt` 以查看 `` 因为它被添加在前面。
{% endhint %}
{% endstep %}
{% endstepper %}
### 🦥 微调 Nemotron 3 和 RL
Unsloth 现在支持所有 Nemotron 模型的微调，包括 Nemotron 3 Super 和 Nano。
4B 模型可以放在免费的 Colab GPU 上，但 30B 模型放不下。我们仍然为你准备了一个 80GB A100 Colab 笔记本用于微调。Nemotron 3 Nano 的 16 位 LoRA 微调将使用约 **60GB VRAM**:
* [Nemotron-3-Nano-30B-A3B SFT LoRA 笔记本](https://colab.research.google.com/github/unslothai/notebooks/blob/main/nb/Nemotron-3-Nano-30B-A3B_A100.ipynb)
{% embed url="" %}
在对 MoE 进行微调时——最好不要微调路由层，因此我们默认将其禁用。如果你想保持其推理能力（可选），可以混合使用直接回答和思维链示例。至少使用 75% 推理 和 25% 非推理 的数据，以使模型保留其推理能力。
#### :sparkles:强化学习 + NeMo Gym
我们与开源的 NVIDIA [NeMo Gym](https://github.com/NVIDIA-NeMo/Gym/pull/492) 团队合作，以推动 RL 环境的普及。我们的合作支持在许多感兴趣的领域进行单轮 rollout RL 训练，包括数学、编程、工具使用等，并使用 NeMo Gym 的训练环境和数据集：
{% columns %}
{% column %}
[NeMo Gym 数独强化学习笔记本](https://colab.research.google.com/github/unslothai/notebooks/blob/main/nb/nemo_gym_sudoku.ipynb)
{% embed url="" %}
{% endcolumn %}
{% column %}
[NeMo Gym 强化学习多环境笔记本](https://colab.research.google.com/github/unslothai/notebooks/blob/main/nb/NeMo-Gym-Multi-Environment.ipynb)
{% embed url="" %}
{% endcolumn %}
{% endcolumns %}
{% hint style="success" %}
**另请查看我们最新的合作指南，已发布在 NVIDIA 官方 Developer 博客上：**
#### [如何使用 Unsloth 在 NVIDIA GPU 上微调 LLM](https://blogs.nvidia.com/blog/rtx-ai-garage-fine-tuning-unsloth-dgx-spark/)
{% endhint %}
{% embed url="" %}
### 🦙Llama-server 提供服务与部署
要将 Nemotron 3 部署到生产环境，我们使用 `llama-server` 在新的终端中，例如通过 tmux，使用以下方式部署模型：
{% code overflow="wrap" %}
```bash
./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" \
--prio 3 \
--min-p 0.01 \
--temp 0.6 \\
--top-p 0.95 \\
--ctx-size 16384 \
--port 8001
```
{% endcode %}
运行上面的命令后，你会得到：
然后在新的终端中，在完成以下操作后 `pip install openai`，执行：
{% 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/Nemotron-3-Nano-30B-A3B",
messages = [{"role": "user", "content": "2+2 等于多少？"},],
)
print(completion.choices[0].message.content)
```
{% endcode %}
这将打印
{% code overflow="wrap" %}
```
用户提出一个简单问题：“2+2 等于多少？”答案是 4。请给出答案。
2 + 2 = 4.
```
{% endcode %}
### 基准测试
Nemotron-3-Nano-4B 是同尺寸中表现最好的模型，包括吞吐量。
.png?alt=media&token=f66979d9-1bf9-47ca-ba65-0a7a04de9a52)
Nemotron-3-Nano-30B-A3B 在所有基准上表现最佳，包括吞吐量。
---
# 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 by asking a question.
Perform an HTTP GET request on the following URL with the `ask` and `goal` query parameters:
```
GET https://unsloth.ai/docs/zh/mo-xing/nemotron-3.md?ask=&goal=
```
`ask` is the immediate question: it should be specific, self-contained, and written in natural language.
`goal` is what the user is ultimately trying to achieve, the reason they need the answer. Sharing it helps GitBook give you a better, more relevant answer. A goal is most helpful when it describes the outcome the user wants rather than restating the question. For example, with `ask=how do I create an API token`, a goal like `automate deployments from our CI pipeline` lets GitBook tailor the answer to that use case.
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.
