新智元報道
編輯：Aeneas KingHZ
【新智元導(dǎo)讀】超越DeepSeek-R1的英偉達開源新王Llama-Nemotron，是怎么訓(xùn)練出來的？剛剛放出的論文，把一切細節(jié)毫無保留地全部揭秘了！
現(xiàn)在，英偉達Llama-Nemotron系列模型，正式超越DeepSeek-R1！
而且，這些模型已經(jīng)全部開源了。
換句話說，在推理吞吐量和內(nèi)存效率上顯著超越DeepSeek-R1的一系列推理模型，已經(jīng)開源可用了。
超越DeepSeek-R1的模型，究竟是怎么煉出的？
就在剛剛，英偉達發(fā)布了技術(shù)報告中，揭秘了模型訓(xùn)練的關(guān)鍵——
·利用合成數(shù)據(jù)監(jiān)督微調(diào)+強化學(xué)習(xí)，全面提升模型的推理能力
·從頭構(gòu)建完善的后訓(xùn)練流程
論文鏈接：https://arxiv.org/abs/2505.00949
。（）
發(fā)布之后，英偉達的這一系列模型在業(yè)界引起不小的轟動。
根據(jù)人工分析智能指數(shù)，截至2025年4月，Llama-Nemotron-Ultra被認為是目前「最智能」的開源模型。
這次，英偉達一口氣推出了Llama-Nemotron系列三個模型——LN-Nano 8B，LN-Super 49B和LN-Ultra 253B。
值得一提的是，LN-Ultra不僅在性能上超越了DeepSeek-R1，還能在單個8xH100節(jié)點上運行，推理吞吐量更高。
這些模型針對高吞吐量推理進行了優(yōu)化，同時保持強大的推理能力和最多128K的上下文長度。
LN-Ultra在各類推理任務(wù)中展現(xiàn)出領(lǐng)先的開源模型性能
并且，在全球AI開源屆，英偉達首次推出了推理開關(guān)功能，用戶只需通過系統(tǒng)提示詞「detailed thinking on/off」就可以動態(tài)切換標準聊天模式和推理模式。
這種設(shè)計讓模型既能滿足日常通用需求，也能勝任復(fù)雜的多步驟推理，無需使用不同的模型或架構(gòu)。
揭秘構(gòu)建過程
Llama-Nemotron模型的構(gòu)建，分為五個階段。
第一階段：利用神經(jīng)架構(gòu)搜索（NAS）在Llama 3系列模型基礎(chǔ)上優(yōu)化推理效率，并引入前饋網(wǎng)絡(luò)融合（FFN Fusion）。
第二階段：通過知識蒸餾和繼續(xù)預(yù)訓(xùn)練來恢復(fù)模型性能。
第三階段：進行有監(jiān)督微調(diào)（SFT），結(jié)合標準指令數(shù)據(jù)和來自DeepSeek-R1等強大教師模型的推理過程，從而讓模型具備多步驟推理能力。
第四階段：在復(fù)雜的數(shù)學(xué)和STEM數(shù)據(jù)集上進行大規(guī)模強化學(xué)習(xí)，這是學(xué)生模型能夠超越教師模型能力的關(guān)鍵一步。對于LN-Ultra，這一階段在GPQA-D基準測試上帶來了顯著性能提升，確立其作為當前開源領(lǐng)域科學(xué)推理最強模型的地位。
為了支持如此大規(guī)模的強化學(xué)習(xí)訓(xùn)練，團隊專門開發(fā)了新的訓(xùn)練框架，包含多項優(yōu)化措施，其中最重要的是支持 FP8精度的生成能力。
最后一個階段：簡短的對齊訓(xùn)練，重點在于指令跟隨和符合人類偏好。
全新架構(gòu)設(shè)計：優(yōu)化推理效率
借助神經(jīng)架構(gòu)搜索Puzzle框架，LN-Super和LN-Ultra優(yōu)化了模型推理效率。
Puzzle能夠在實際部署限制下，將大語言模型轉(zhuǎn)化為更適配硬件運行的高效版本，如圖3所示。
通過「逐塊局部蒸餾」的方式，開發(fā)者利用Llama 3 Instruct構(gòu)建了替代Transformer模塊的庫。
在這個過程中，每個模塊都會被獨立且并行地訓(xùn)練，逼近原始模塊的功能，同時優(yōu)化計算性能。
這樣，每個替代模塊都具有特定的「精度-效率」權(quán)衡特性：有些模塊雖然更高效，但可能會帶來一定的質(zhì)量下降，從而形成一種在計算成本與模型準確性之間的明確取舍。
這些模塊的變體包括：
注意力機制移除：某些模塊完全省略了注意力機制，從而降低了計算量和KV緩存的內(nèi)存消耗。
可變的FFN維度：前饋網(wǎng)絡(luò)的中間維度被調(diào)整，能以不同粒度對模型進行壓縮。
在構(gòu)建好模塊庫后，Puzzle會從每一層中選擇一個模塊，組裝出一個完整的模型。
這個選擇過程由混合整數(shù)規(guī)劃（MIP）求解器控制，它會根據(jù)一系列約束條件（如硬件兼容性、最大允許延遲、內(nèi)存預(yù)算或期望的推理吞吐量）來找出最優(yōu)配置。
Puzzle框架概覽
垂直壓縮與FFN融合
在LN-Ultra模型中，研究者引入了一項額外的壓縮技術(shù)，稱為FFN Fusion（前饋網(wǎng)絡(luò)融合），用于減少模型的序列深度并提升推理延遲效率。
Puzzle在移除部分注意力層后，模型結(jié)構(gòu)中出現(xiàn)的一種特性：模型中常會出現(xiàn)多個連續(xù)的FFN塊。
FFN Fusion能識別出這些連續(xù)結(jié)構(gòu)，并將其替換為更少但更寬、可并行執(zhí)行的FFN層。
這種替換方式在不犧牲模型表達能力的前提下，減少了順序計算的步驟，顯著提升了計算資源的利用率——特別是在多GPU環(huán)境中，跨層通信開銷不可忽視的情況下，效果尤為明顯。
圖4展示了在GPQA-Diamond準確率（%）與處理吞吐量（token/秒）之間的權(quán)衡。
值得注意的是，LN-Ultra始終在準確性和效率上優(yōu)于DeepSeek-R1和Llama-3.1-405B，取得了準確性和效率的最佳平衡。
GPQA-Diamond模型的精確度與吞吐量對比
NAS后訓(xùn)練：知識蒸餾與持續(xù)預(yù)訓(xùn)練
在神經(jīng)架構(gòu)搜索（NAS）階段之后，LN-Super和LN-Ultra都進行了額外的訓(xùn)練，以提升模塊之間的兼容性，并恢復(fù)在模塊替換過程中可能出現(xiàn)的質(zhì)量損失。
LN-Super使用Distillation Mix數(shù)據(jù)集，在知識蒸餾目標下訓(xùn)練了400億個token。
LN-Ultra首先使用相同的蒸餾數(shù)據(jù)集進行知識蒸餾訓(xùn)練，訓(xùn)練了650億個token；隨后又在Nemotron-H第四階段預(yù)訓(xùn)練數(shù)據(jù)集上繼續(xù)訓(xùn)練了880億個token。
這一最終的預(yù)訓(xùn)練步驟，使LN-Ultra不僅追平了參考模型Llama 3.1-405B-Instruct的表現(xiàn)，還在關(guān)鍵基準測試中實現(xiàn)了超越。
這就，表明通過簡短的蒸餾與預(yù)訓(xùn)練，可以在激進的架構(gòu)優(yōu)化和高模型性能之間實現(xiàn)兼容。
監(jiān)督微調(diào)
想讓Llama-Nemotron模型擁有超厲害的推理能力？
監(jiān)督微調(diào)（Supervised Fine-Tuning，SFT）這一步簡直就是「神助攻」。
前面的開發(fā)階段，團隊主要在研究怎么讓模型架構(gòu)更高效，怎么把海量知識塞進去。
而SFT就像給模型請了一位「私人教練」，專門針對特定任務(wù)的推理步驟，帶著它從DeepSeek-R1這些「學(xué)霸」模型身上，偷師推理技巧。
不過要想讓模型真正擁有扎實的推理功底，大規(guī)模、高質(zhì)量的推理訓(xùn)練數(shù)據(jù)必不可少。
合成數(shù)據(jù)
研究者為監(jiān)督微調(diào)精心整理了包含推理和非推理的數(shù)據(jù)樣本。
對于推理樣本，他們在系統(tǒng)指令中加入「detailed thinking on」（開啟詳細思考），而對于非推理樣本，則使用「detailed thinking off」（關(guān)閉詳細思考）。
這種設(shè)置，使模型能夠在推理階段根據(jù)提示內(nèi)容切換推理行為。
為推理，精心準備了數(shù)學(xué)、代碼等相關(guān)領(lǐng)域的合成數(shù)據(jù)。
為了訓(xùn)練模型遵循「推理開關(guān)」指令，研究者構(gòu)建了成對的數(shù)據(jù)集，其中每個提示都對應(yīng)一個帶推理的回復(fù)和一個不帶推理的回復(fù)。
這種配對方式，使模型能夠根據(jù)系統(tǒng)指令學(xué)習(xí)調(diào)節(jié)其推理行為。
隨后會依據(jù)標準答案或獎勵模型對這些回復(fù)進行篩選。
微調(diào)流程
在指令微調(diào)數(shù)據(jù)上，所有模型的訓(xùn)練，均采用token級交叉熵損失。
在大多數(shù)訓(xùn)練設(shè)置中，推理數(shù)據(jù)和非推理數(shù)據(jù)會被混合在一起，形成訓(xùn)練批次，其中每個提示都會根據(jù)系統(tǒng)指令「detailed thinking on/off」的條件，與相應(yīng)的響應(yīng)配對。
延長訓(xùn)練至多輪周期能提升性能，對小模型尤為明顯。
這次主要使用NeMo-Aligner來進行強化學(xué)習(xí)訓(xùn)練，支持GRPO以及異構(gòu)模型的訓(xùn)練。
論文鏈接：https://arxiv.org/abs/2405.01481
生成階段使用vLLM實現(xiàn)，訓(xùn)練階段則使用Megatron-LM。
訓(xùn)練和推理階段共用同一批GPU，在同一設(shè)備上完成。
整個訓(xùn)練過程中，他們共使用了72個節(jié)點，每個節(jié)點配備8張H100GPU。
生成階段采用FP8精度，訓(xùn)練階段采用BF16精度，優(yōu)化器狀態(tài)使用FP32。
每個階段維護一份獨立的模型權(quán)重，并在每一步開始時進行同步。
強化學(xué)習(xí)：超越R1推理能力的關(guān)鍵
監(jiān)督微調(diào)（SFT）可以讓模型從強大的教師模型中提煉知識，從而獲得出色的能力。
然而，知識蒸餾本質(zhì)上為學(xué)生模型的性能設(shè)定了上限，特別是當學(xué)生模型的基礎(chǔ)模型能力不超過教師模型時。
通過監(jiān)督微調(diào)，LN-Ultra的性能可以接近DeepSeek-R1，但無法超越它。
為了使學(xué)生模型超越教師模型，大規(guī)模強化學(xué)習(xí)（RL）是一種可行的方法，因為它允許模型持續(xù)探索新的可能性并進行自我學(xué)習(xí)。
由于資源限制，研究者僅對LN-Ultra應(yīng)用推理RL，結(jié)果得到超越教師模型的學(xué)生模型。
在整個推理強化學(xué)習(xí)訓(xùn)練過程中，在GPQA-Diamond數(shù)據(jù)集上，LN-Ultra的準確性
訓(xùn)練流程
對于LN-Ultra，研究者通過大規(guī)模強化學(xué)習(xí)（RL）增強它的科學(xué)推理能力，采用DeepSeek-R1同款的分組相對策略優(yōu)化（GRPO）算法。
整個訓(xùn)練過程大約需要14萬H100小時，持續(xù)訓(xùn)練模型直至其在推理任務(wù)上實現(xiàn)收斂。
圖5顯示了訓(xùn)練過程中GPQA-Diamond的準確率得分。
獎勵機制設(shè)計包含兩類：
準確性獎勵：基于標準答案（數(shù)值/句子/段落），調(diào)用Llama-3.3-70B-Instruct模型判斷預(yù)測結(jié)果匹配度
格式獎勵：遵循DeepSeek-AI的方案，強制模型在「詳細思考」模式下用
研究團隊還對數(shù)據(jù)進行預(yù)處理，包括數(shù)據(jù)過濾和課程訓(xùn)練（curriculum training）。
數(shù)據(jù)篩選：預(yù)先使用LN-Super對每個問題生成8條響應(yīng)，剔除通過率≥75%的簡單樣本
課程訓(xùn)練：采用基于通過率的漸進式批次分配（圖6驗證其有效性）
動態(tài)分布：以高斯函數(shù)建模批次難度，初期側(cè)重高通過率（簡單）樣本，后期轉(zhuǎn)向低通過率（困難）樣本
填充邏輯：優(yōu)先按目標分布分配樣本，剩余容量從最大剩余樣本池補充
批內(nèi)處理：同批次樣本隨機打亂以保持多樣性
用于偏好優(yōu)化的強化學(xué)習(xí)
在完成科學(xué)推理訓(xùn)練之后，研究者對LN-Super和LN-Ultra模型進行了一個簡短的強化學(xué)習(xí)階段，重點提升其指令跟隨能力。
研究者還使用RLHF對模型的通用幫助能力和聊天表現(xiàn)進行優(yōu)化，同時保留了模型在數(shù)學(xué)、科學(xué)等其他領(lǐng)域的能力。
如表4所示，LN-Super在Arena Hard測試中取得了88.3的高分，超越了專有模型如Claude 3.5 Sonnet和GPT-4o-2024-05-13，也優(yōu)于體量更大的開源模型。
為了實現(xiàn)這一結(jié)果，他們采用了「在線RPO」（OnLine Reward-Policy Optimization）方法，最大化模型在HelpSteer2數(shù)據(jù)集上的預(yù)測獎勵，獎勵模型使用的是Llama-3.1-Nemotron-70B-Reward。
兩輪在線RPO訓(xùn)練將Arena Hard得分從69.1提升到88.1。
對于LN-Ultra，他們使用類似流程，但采用了GRPO。
對于LN-Nano，他們進行了兩輪離線RPO訓(xùn)練，使用基于策略生成的訓(xùn)練數(shù)據(jù)。
在第一輪中，結(jié)合推理類和非推理類數(shù)據(jù)，并配合適當?shù)南到y(tǒng)提示詞，以優(yōu)化模型的推理控制能力。第二輪則專注于提升指令跟隨能力。
評估結(jié)果
研究者在兩個基準類別上評估所有Llama-Nemotron模型的性能：推理任務(wù)和非推理任務(wù)。
推理類基準包括：AIME24和AIME25、GPQA-Diamond、LiveCodeBench以及MATH500。
非推理類基準包括：用于指令遵循評估的IFEval、用于函數(shù)調(diào)用工具使用評估的BFCL V2 Live以及用于評估對人類對話偏好對齊度的Arena-Hard。
表3顯示，盡管模型體積較小，LN-Nano在所有推理類基準測試中都取得了出色的表現(xiàn)。
這表明，監(jiān)督微調(diào)流程和精心策劃的推理數(shù)據(jù)集，在將結(jié)構(gòu)化推理能力遷移至小型模型方面是有效的。
表4將LN-Super與其參數(shù)規(guī)模相近的其他模型進行了對比，可見這個模型在推理任務(wù)和非推理任務(wù)中都表現(xiàn)出強勁的競爭力。
在「推理關(guān)閉」模式下，LN-Super的表現(xiàn)與其蒸餾來源模型Llama-3.3-70B相當；在「推理開啟」模式下，則超越了其他競品模型，例如DeepSeek-R1-Distilled-Llama-70B，在保持良好指令遵循能力的同時展現(xiàn)出強大的推理能力。
這些結(jié)果表明，LN-Super是一個兼具推理優(yōu)化模型和非推理模型優(yōu)點的通用模型，適用于日常助手型任務(wù)和結(jié)構(gòu)化推理任務(wù)。
表5顯示，LN-Ultra 在推理和非推理基準測試中，與所有現(xiàn)有的開源權(quán)重模型相比表現(xiàn)持平或更優(yōu)。它在GPQA上達到了開源模型中的最先進水平，充分證明了英偉達研究者大規(guī)模強化學(xué)習(xí)訓(xùn)練方法的有效性。
與DeepSeek-R1需要使用8×H200的硬件配置不同，LN-Ultra專門優(yōu)化為可在單個8×H100節(jié)點上高效運行，從而提供更高的推理吞吐量和部署效率。
從表5可見，LN-Ultra的SFT階段已經(jīng)在多個推理基準測試（包括GPQA和AIME）上接近或達到DeepSeek-R1的性能。
除了模型原本接受訓(xùn)練的推理和對話能力之外，他們還對模型在一個分布外任務(wù)。
具體來說，模型在JudgeBench數(shù)據(jù)集上進行了測試，要求區(qū)分高質(zhì)量與低質(zhì)量的回答。
如表6所示，新模型在該任務(wù)上表現(xiàn)優(yōu)于當前頂尖的專有模型和開源模型。
其中，LN-Ultra成為表現(xiàn)最好的開源模型，明顯超過了 DeepSeek-R1，僅次于專有模型 o3-mini(high)。
此外，LN-Super 的表現(xiàn)也超過了o1-mini，這說明新模型在各類任務(wù)中具備很強的泛化能力。
參考資料：
https://arxiv.org/abs/2505.00949
熱門跟貼