導讀：超越DeepSeek-R1的英偉達開源新王Llama-Nemotron，是怎麼訓練出來的？剛剛放出的論文，把一切細節毫無保留地全部揭祕了！

現在，英偉達Llama-Nemotron系列模型，正式超越DeepSeek-R1！

而且，這些模型已經全部開源了。

換句話說，在推理吞吐量和內存效率上顯著超越DeepSeek-R1的一系列推理模型，已經開源可用了。

超越DeepSeek-R1的模型，究竟是怎麼煉出的？

就在剛剛，英偉達發佈了技術報告中，揭祕了模型訓練的關鍵——

• 利用合成數據監督微調+強化學習，全面提升模型的推理能力

• 從頭構建完善的後訓練流程

上個月，英偉達正式官宣了的Llama-Nemotron 253B，一下子就讓發佈3天的Llama 4變成了「陪襯」。（後者還陷入了刷榜等「誠信危機」）

發佈之後，英偉達的這一系列模型在業界引起不小的轟動。

根據人工分析智能指數，截至2025年4月，Llama-Nemotron-Ultra被認爲是目前「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在各類推理任務中展現出領先的開源模型性能

並且，在全球AI開源屆，英偉達首次推出了推理開關功能，用戶只需通過系統提示詞「detailed thinking on/off」就可以動態切換標準聊天模式和推理模式。

這種設計讓模型既能滿足日常通用需求，也能勝任複雜的多步驟推理，無需使用不同的模型或架構。

揭祕構建過程

Llama-Nemotron模型的構建，分爲五個階段。

第一階段：利用神經架構搜索（NAS）在Llama 3系列模型基礎上優化推理效率，並引入前饋網絡融合（FFN Fusion）。

第二階段：通過知識蒸餾和繼續預訓練來恢復模型性能。

第三階段：進行有監督微調（SFT），結合標準指令數據和來自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：在複雜的數學和STEM數據集上進行大規模強化學習，這是學生模型能夠超越教師模型能力的關鍵一步。對於LN-Ultra，這一階段在GPQA-D基準測試上帶來了顯著性能提升，確立其作爲當前開源領域科學推理最強模型的地位。

爲了支持如此大規模的強化學習訓練，團隊專門開發了新的訓練框架，包含多項優化措施，其中最重要的是支持 FP8精度的生成能力。

最後一個階段：簡短的對齊訓練，重點在於指令跟隨和符合人類偏好。

全新架構設計：優化推理效率

藉助神經架構搜索Puzzle框架，LN-Super和LN-Ultra優化了模型推理效率。

Puzzle能夠在實際部署限制下，將大語言模型轉化爲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，開發者利用Llama 3 Instruct構建了替代Transformer模塊的庫。

在這個過程中，每個模塊都會被獨立且並行地訓練，逼近原始模塊的功能，同時優化計算性能。

這樣，每個替代模塊都具有特定的「精度-效率」權衡特性：有些模塊雖然更高效，但可能會帶來一定的質量下降，從而形成一種在計算成本與模型準確性之間的明確取捨。

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緩存的內存消耗。

• 可變的FFN維度：前饋網絡的中間維度被調整，能以不同粒度對模型進行壓縮。

在構建好模塊庫後，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規劃（MIP）求解器控制，它會根據一系列約束條件（如硬件兼容性、最大允許延遲、內存預算或期望的推理吞吐量）來找出最優配置。

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，稱爲FFN Fusion（前饋網絡融合），用於減少模型的序列深度並提升推理延遲效率。

Puzzle在移除部分注意力層後，模型結構中出現的一種特性：模型中常會出現多個連續的FFN塊。

FFN Fusion能識別出這些連續結構，並將其替換爲更少但更寬、可並行執行的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環境中，跨層通信開銷不可忽視的情況下，效果尤爲明顯。

圖4展示了在GPQA-Diamond準確率（%）與處理吞吐量（token/秒）之間的權衡。

值得注意的是，LN-Ultra始終在準確性和效率上優於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後訓練：知識蒸餾與持續預訓練

在神經架構搜索（NAS）階段之後，LN-Super和LN-Ultra都進行了額外的訓練，以提升模塊之間的兼容性，並恢復在模塊替換過程中可能出現的質量損失。

• LN-Super使用Distillation Mix數據集，在知識蒸餾目標下訓練了400億個token。

• LN-Ultra首先使用相同的蒸餾數據集進行知識蒸餾訓練，訓練了650億個token；隨後又在Nemotron-H第四階段預訓練數據集上繼續訓練了880億個token。

這一最終的預訓練步驟，使LN-Ultra不僅追平了參考模型Llama 3.1-405B-Instruct的表現，還在關鍵基準測試中實現了超越。

這就，表明通過簡短的蒸餾與預訓練，可以在激進的架構優化和高模型性能之間實現兼容。

監督微調

想讓Llama-Nemotron模型擁有超厲害的推理能力？

監督微調（Supervised Fine-Tuning，SFT）這一步簡直就是「神助攻」。

前面的開發階段，團隊主要在研究怎麼讓模型架構更高效，怎麼把海量知識塞進去。

而SFT就像給模型請了一位「私人教練」，專門針對特定任務的推理步驟，帶着它從DeepSeek-R1這些「學霸」模型身上，偷師推理技巧。

不過要想讓模型真正擁有紮實的推理功底，大規模、高質量的推理訓練數據必不可少。

合成數據

研究者爲監督微調精心整理了包含推理和非推理的數據樣本。

對於推理樣本，他們在系統指令中加入「detailed thinking on」（開啓詳細思考），而對於非推理樣本，則使用「detailed thinking off」（關閉詳細思考）。

這種設置，使模型能夠在推理階段根據提示內容切換推理行爲。

爲推理，精心準備了數學、代碼等相關領域的合成數據。

爲了訓練模型遵循「推理開關」指令，研究者構建了成對的數據集，其中每個提示都對應一個帶推理的回覆和一個不帶推理的回覆。

這種配對方式，使模型能夠根據系統指令學習調節其推理行爲。

隨後會依據標準答案或獎勵模型對這些回覆進行篩選。

微調流程

在指令微調數據上，所有模型的訓練，均採用token級交叉熵損失。

在大多數訓練設置中，推理數據和非推理數據會被混合在一起，形成訓練批次，其中每個提示都會根據系統指令「detailed thinking on/off」的條件，與相應的響應配對。

延長訓練至多輪週期能提升性能，對小模型尤爲明顯。

這次主要使用NeMo-Aligner來進行強化學習訓練，支持GRPO以及異構模型的訓練。

生成階段使用vLLM實現，訓練階段則使用Megatron-LM。

訓練和推理階段共用同一批GPU，在同一設備上完成。

整個訓練過程中，他們共使用了72個節點，每個節點配備8張H100 GPU。

生成階段採用FP8精度，訓練階段採用BF16精度，優化器狀態使用FP32。

每個階段維護一份獨立的模型權重，並在每一步開始時進行同步。

強化學習：超越R1推理能力的關鍵

監督微調（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，知識蒸餾本質上爲學生模型的性能設定了上限，特別是當學生模型的基礎模型能力不超過教師模型時。

通過監督微調，LN-Ultra的性能可以接近DeepSeek-R1，但無法超越它。

爲了使學生模型超越教師模型，大規模強化學習（RL）是一種可行的方法，因爲它允許模型持續探索新的可能性並進行自我學習。

由於資源限制，研究者僅對LN-Ultra應用推理RL，結果得到超越教師模型的學生模型。

在整個推理強化學習訓練過程中，在GPQA-Diamond數據集上，LN-Ultra的準確性

訓練流程

對於LN-Ultra，研究者通過大規模強化學習（RL）增強它的科學推理能力，採用DeepSeek-R1同款的分組相對策略優化（GRPO）算法。

整個訓練過程大約需要14萬H100小時，持續訓練模型直至其在推理任務上實現收斂。

圖5顯示了訓練過程中GPQA-Diamond的準確率得分。

獎勵機制設計包含兩類：

• 準確性獎勵：基於標準答案（數值/句子/段落），調用Llama-3.3-70B-Instruct模型判斷預測結果匹配度

• 格式獎勵：遵循DeepSeek-AI的方案，強制模型在「詳細思考」模式下用<think>標籤包裹推理過程，非該模式時禁止出現此類標籤

研究團隊還對數據進行預處理，包括數據過濾和課程訓練（curriculum training）。

• 數據篩選：預先使用LN-Super對每個問題生成8條響應，剔除通過率≥75%的簡單樣本

• 課程訓練：採用基於通過率的漸進式批次分配（圖6驗證其有效性）

  • 動態分佈：以高斯函數建模批次難度，初期側重高通過率（簡單）樣本，後期轉向低通過率（困難）樣本

  • 填充邏輯：優先按目標分佈分配樣本，剩餘容量從最大剩餘樣本池補充

  • 批內處理：同批次樣本隨機打亂以保持多樣性

用於偏好優化的強化學習

在完成科學推理訓練之後，研究者對LN-Super和LN-Ultra模型進行了一個簡短的強化學習階段，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進行優化，同時保留了模型在數學、科學等其他領域的能力。

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，也優於體量更大的開源模型。

爲了實現這一結果，他們採用了「在線RPO」（OnLine Reward-Policy Optimization）方法，最大化模型在HelpSteer2數據集上的預測獎勵，獎勵模型使用的是Llama-3.1-Nemotron-70B-Reward。

兩輪在線RPO訓練將Arena Hard得分從69.1提升到88.1。

對於LN-Ultra，他們使用類似流程，但採用了GRPO。

對於LN-Nano，他們進行了兩輪離線RPO訓練，使用基於策略生成的訓練數據。

在第一輪中，結合推理類和非推理類數據，並配合適當的系統提示詞，以優化模型的推理控制能力。第二輪則專注於提升指令跟隨能力。

評估結果

研究者在兩個基準類別上評估所有Llama-Nemotron模型的性能：推理任務和非推理任務。

推理類基準包括：AIME24和AIME25、GPQA-Diamond、LiveCodeBench以及MATH500。

非推理類基準包括：用於指令遵循評估的IFEval、用於函數調用工具使用評估的BFCL V2 Live以及用於評估對人類對話偏好對齊度的Arena-Hard。

表3顯示，儘管模型體積較小，LN-Nano在所有推理類基準測試中都取得了出色的表現。

這表明，監督微調流程和精心策劃的推理數據集，在將結構化推理能力遷移至小型模型方面是有效的。

表4將LN-Super與其參數規模相近的其他模型進行了對比，可見這個模型在推理任務和非推理任務中都表現出強勁的競爭力。

在「推理關閉」模式下，LN-Super的表現與其蒸餾來源模型Llama-3.3-70B相當；在「推理開啓」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出強大的推理能力。

這些結果表明，LN-Super是一個兼具推理優化模型和非推理模型優點的通用模型，適用於日常助手型任務和結構化推理任務。

表5顯示，LN-Ultra 在推理和非推理基準測試中，與所有現有的開源權重模型相比表現持平或更優。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模強化學習訓練方法的有效性。

與DeepSeek-R1需要使用8×H200的硬件配置不同，LN-Ultra專門優化爲可在單個8×H100節點上高效運行，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練的推理和對話能力之外，他們還對模型在一個分佈外任務。

具體來說，模型在JudgeBench數據集上進行了測試，要求區分高質量與低質量的回答。

如表6所示，新模型在該任務上表現優於當前頂尖的專有模型和開源模型。

其中，LN-Ultra成爲表現最好的開源模型，明顯超過了 DeepSeek-R1，僅次於專有模型 o3-mini(high)。

此外，LN-Super 的表現也超過了o1-mini，這說明新模型在各類任務中具備很強的泛化能力。