🧩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，一个 4B 开放混合 MoE 模型，遵循 Nemotron-3-Super-120B-A12B 以及 Nemotron-3-Nano-30B-A3B。Nemotron 家族专为快速、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 可运行于 5GB 的 RAM、VRAM 或统一内存。Nemotron-3-Nano-30A3B 可运行于 24GB RAM。Nemotron 3 现在可通过本地进行微调 Unsloth。感谢 NVIDIA 为 Unsloth 提供首日支持。

Nemotron-3-Nano-4B Nemotron-3-Nano-30B-A3B 微调 Nemotron 3

Nemotron-3-Nano-4B-GGUF

Nemotron-3-Nano-30B-A3B-GGUF

⚙️ 使用指南

NVIDIA 建议以下推理设置：

通用聊天/指令（默认）：

temperature = 1.0
top_p = 1.0

工具调用用例：

temperature = 0.6
top_p = 0.95

对于大多数本地使用，设置：

max_new_tokens = 32,768 改为 262,144 用于标准提示，最大 100 万 token
根据你的 RAM/VRAM 允许情况，可提高以进行深度推理或长文本生成。

当我们使用下面内容时，可得到聊天模板格式：

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,
)

由于该模型使用 NoPE 训练，你只需要更改 max_position_embeddings。该模型不使用显式位置嵌入，因此不需要 YaRN。

Nemotron 3 聊天模板格式：

Nemotron 3 使用 <think> ，token ID 为 12，以及 </think> token ID 为 13 用于推理。使用 --special 查看 llama.cpp 的 token。你可能还需要 --verbose-prompt 以查看 <think> 因为它会被预先添加。

<|im_start|>system\n<|im_end|>\n<|im_start|>user\n1+1 等于多少？<|im_end|>\n<|im_start|>assistant\n<think></think>2<|im_end|>\n<|im_start|>user\n2+2 等于多少？<|im_end|>\n<|im_start|>assistant\n<think>\n

🖥️ 运行 Nemotron-3-Nano-4B

根据你的用例，你需要使用不同的设置。某些 GGUF 的大小最终会相近，因为模型架构（如 gpt-oss）的维度不能被 128 整除，因此部分无法量化到更低比特。

该模型的 4 位版本需要约 3GB RAM。8 位版本需要 5GB。

🦥 Unsloth Studio 指南

Nemotron 3 可在其中运行并微调 Unsloth Studio，这是我们新的本地 AI 开源 Web UI。借助 Unsloth Studio，你可以在本地运行模型，支持 MacOS、Windows、Linux 以及：

搜索、下载、运行 GGUF 和 safetensor 模型
自我修复 工具调用 + 网页搜索
代码执行 （Python、Bash）
自动推理参数调优（temp、top-p 等）
通过 llama.cpp 实现快速 CPU + GPU 推理
训练 LLM 速度快 2 倍，VRAM 占用减少 70%

安装 Unsloth

在终端中运行：

MacOS、Linux、WSL：

curl -fsSL https://unsloth.ai/install.sh | sh

Windows PowerShell：

irm https://unsloth.ai/install.ps1 | iex

启动 Unsloth

MacOS、Linux、WSL、Windows：

unsloth studio -H 0.0.0.0 -p 8888

然后打开 http://localhost:8888 在你的浏览器中。

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。随后你会看到一个简短的入门向导，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 标签页，并在搜索栏中搜索 Nemotron-3-Nano-4B，然后下载你想要的模型和量化版本。

运行 Nemotron-3-Nano-4B

在使用 Unsloth Studio 时，推理参数应会自动设置，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.

Llama.cpp 教程：

在 llama.cpp 中运行的说明（我们将使用 8 位以接近满精度）：

获取最新的 llama.cpp 在 GitHub 这里。你也可以按照下面的构建说明操作。将 -DGGML_CUDA=ON 改为 -DGGML_CUDA=OFF 如果你没有 GPU，或者只想进行 CPU 推理。

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

你可以直接从 Hugging Face 拉取。你可以根据 RAM/VRAM 的允许情况将上下文增加到 100 万。

按照此内容进行 通用指令 用例：

./llama.cpp/llama-cli \
    -hf unsloth/NVIDIA-Nemotron-3-Nano-4B-GGUF:Q8_0 \\
    --ctx-size 16384 \\
    --temp 1.0 --top-p 1.0

按照此内容进行 工具调用 用例：

./llama.cpp/llama-cli \
    -hf unsloth/NVIDIA-Nemotron-3-Nano-4B-GGUF:Q8_0 \\
    --ctx-size 32768 \\
    --temp 0.6 --top-p 0.95

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。

# !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*"],
)

然后以对话模式运行模型：

./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

此外，调整 上下文窗口 按需设置。确保你的硬件能够处理超过 256K 的上下文窗口。将其设为 100 万可能会触发 CUDA 内存不足并崩溃，因此默认值为 262,144。

🖥️ 运行 Nemotron-3-Nano-30B-A3B

该模型的 4 位版本需要约 24GB RAM。8 位版本需要 36GB。

🦥 Unsloth Studio 指南

在本教程中，我们将使用 Unsloth Studio，这是我们用于运行和训练 LLM 的新 Web UI。借助 Unsloth Studio，你可以在本地运行模型，支持 Mac、Windows和 Linux，并且：

搜索、下载、运行 GGUF 和 safetensor 模型
对比模型并排
自我修复 工具调用 + 网页搜索
代码执行 （Python、Bash）
自动推理参数调优（temp、top-p 等）
训练 LLM 速度快 2 倍，VRAM 占用减少 70%

安装 Unsloth

MacOS、Linux、WSL：

curl -fsSL https://unsloth.ai/install.sh | sh

Windows PowerShell：

irm https://unsloth.ai/install.ps1 | iex

设置 Unsloth Studio（一次性）

设置会自动安装 Node.js（通过 nvm）、构建前端、安装所有 Python 依赖，并构建启用 CUDA 支持的 llama.cpp。

WSL 用户： 系统会提示你输入 sudo 密码，以安装构建依赖项（cmake, git, libcurl4-openssl-dev).

启动 Unsloth

MacOS、Linux、WSL：

source unsloth_studio/bin/activate
unsloth studio -H 0.0.0.0 -p 8888

Windows Powershell：

& .\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。

搜索并下载 Nemotron-3-Nano-30B-A3B

然后前往 Unsloth Chat 标签页，并在搜索栏中搜索 Nemotron-3-Nano-4B，然后下载你想要的模型和量化版本。

运行 Nemotron-3-Nano-30B-A3B

在使用 Unsloth Studio 时，推理参数应会自动设置，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.

Llama.cpp 教程：

在 llama.cpp 中运行的说明（注意我们将使用 4-bit，以适配大多数设备）：

获取最新的 llama.cpp 在 GitHub 这里。你也可以按照下面的构建说明操作。将 -DGGML_CUDA=ON 改为 -DGGML_CUDA=OFF 如果你没有 GPU，或者只想进行 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。

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

你可以直接从 Hugging Face 拉取。你可以根据 RAM/VRAM 的允许情况将上下文增加到 100 万。

按照此内容进行 通用指令 用例：

./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

按照此内容进行 工具调用 用例：

./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

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。

# !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*"],
)

然后以对话模式运行模型：

./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

🦥 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 上运行，而 30B 模型则放不下。我们仍然为你准备了一个 80GB A100 Colab 笔记本用于微调。对 Nemotron 3 Nano 进行 16 位 LoRA 微调大约会使用 60GB VRAM:

Nemotron-3-Nano-30B-A3B SFT LoRA 笔记本

Google Colabcolab.research.google.com

关于 MoE 的微调——大概不建议微调路由层，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% 非推理在你的数据集中，以使模型保留其推理能力。

✨强化学习 + NeMo Gym

我们与开源的 NVIDIA NeMo Gym 团队合作，使 RL 环境得以普及。我们的协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，使用 NeMo Gym 提供的训练环境和数据集：

NeMo Gym 数独强化学习笔记本

Google Colabcolab.research.google.com

NeMo Gym 多环境强化学习笔记本

Google Colabcolab.research.google.com

另请查看我们最新的协作指南，已发布在 NVIDIA 官方 Developer 博客上：

如何使用 Unsloth 在 NVIDIA GPU 上微调 LLM

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

🦙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 在一个新的终端中，例如通过 tmux，使用以下命令部署模型：

./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

运行上述命令后，你会得到：

然后在一个新的终端中，在执行 pip install openai之后，执行：

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)

这将打印

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.

基准测试

Nemotron-3-Nano-4B 是其规模下表现最佳的模型，包括吞吐量。

Nemotron-3-Nano-30B-A3B 是在所有基准上表现最佳的模型，包括吞吐量。

最后更新于 1个月前

这有帮助吗？