文章摘要
英伟达最新发布的Llama-Nemotron系列模型在推理性能和内存效率上超越了DeepSeek-R1，并且已经全面开源。这一系列模型包括LN-Nano 8B、LN-Super 49B和LN-Ultra 253B，其中LN-Ultra在单个8xH100节点上运行时表现出更高的推理吞吐量。这些模型通过优化推理效率、引入前馈网络融合（FFN Fusion）等技术，显著提升了计算资源的利用率。
Llama-Nemotron模型的构建分为五个阶段，包括神经架构搜索（NAS）、知识蒸馏、监督微调（SFT）、大规模强化学习（RL）以及对齐训练。通过这些步骤，模型不仅恢复了在模块替换过程中可能出现的质量损失，还在复杂的数学和STEM数据集上实现了性能的显著提升。特别是LN-Ultra，在GPQA-D基准测试中表现出色，确立了其在开源领域科学推理中的领先地位。
在模型架构设计方面，英伟达借助神经架构搜索Puzzle框架，优化了LN-Super和LN-Ultra的推理效率。Puzzle框架通过逐块局部蒸馏的方式，构建了替代Transformer模块的库，并在实际部署限制下，将大语言模型转化为更适配硬件运行的高效版本。这一过程中，研究者还引入了FFN Fusion技术，通过减少模型的序列深度并提升推理延迟效率，进一步优化了模型的性能。
在训练过程中，研究者使用了合成数据进行监督微调，并通过大规模强化学习（RL）增强了模型的科学推理能力。特别是LN-Ultra，通过强化学习训练，在GPQA-Diamond数据集上实现了超越教师模型的性能。此外，研究者还通过在线RPO（OnLine Reward-Policy Optimization）方法，优化了模型的指令跟随能力和聊天表现，使其在Arena Hard测试中取得了高分。
Llama-Nemotron系列模型在推理和非推理任务中的表现均非常出色。在推理类基准测试中，LN-Nano和LN-Super表现出色，而LN-Ultra则在多个推理基准测试中接近或达到了DeepSeek-R1的性能。特别是在GPQA上，LN-Ultra达到了开源模型中的最先进水平。此外，这些模型在分布外任务中也表现出很强的泛化能力，例如在JudgeBench数据集上，LN-Ultra的表现超过了当前顶尖的专有模型和开源模型。
总的来说，Llama-Nemotron系列模型通过创新的架构设计和训练方法，不仅在推理性能上取得了显著突破，还在开源领域树立了新的标杆。这些模型的成功不仅展示了英伟达在AI领域的领先地位，也为未来的模型优化和应用提供了宝贵的经验。
原文和模型
【原文链接】 阅读原文 [ 3815字 | 16分钟 ]
【原文作者】 新智元
【摘要模型】 deepseek/deepseek-v3/community
【摘要评分】 ★★★★★
相关文章
