超越DeepSeek-R1的英偉達開源新王Llama-Nemotron，是怎麽訓練出來的？剛剛放出的論文，把一切細節毫無保留地全部揭秘了！現在，英偉達Llama-Nemotron係列模型，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的一係列推理模型，已經開源可用了。超越DeepSeek-R1的模型，究竟是怎麽煉出的？就在剛剛，英偉達發布了技術報告中，揭秘了模型訓練的關鍵——·利用合成數據監督微調+強化學習，全麵提升模型的推理能力·從頭構建完善的後訓練流程展開全文論文鏈接：http://arxiv.org/abs/2505.00949發布之後，英偉達的這一係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係列三個模型——LN-Nano8B，LN-Super49B和LN-Ultra253B。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，用戶隻需通過係統提示詞「detailedthinkingon/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。揭秘構建過程Llama-Nemotron模型的構建，分為五個階段。第一階段：利用神經架構搜索在Llama3係列模型基礎上優化推理效率，並引入前饋網絡融合。第二階段：通過知識蒸餾和繼續預訓練來恢複模型性能。第三階段：進行有監督微調，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，確立其作為當前開源領域科學推理最強模型的地位。為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：優化推理效率借助神經架構搜索Puzzle框架，LN-Super和LN-Ultra優化了模型推理效率。Puzzle能夠在實際部署限製下，將大語言模型轉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，開發者利用Llama3Instruct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舍。這些模塊的變體包括：注意力機製移除：某些模塊完全省略了注意力機製，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。注意力機製移除：某些模塊完全省略了注意力機製，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求解器控製，它會根據一係列約束條件來找出最優配置。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，稱為FFNFusion，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。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，效果尤為明顯。圖4展示了在GPQA-Diamond準確率與處理吞吐量之間的權衡。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，並恢複在模塊替換過程中可能出現的質量損失。LN-Super使用DistillationMix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。LN-Super使用DistillationMix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Llama3.1-405B-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？監督微調這一步簡直就是「神助攻」。前麵的開發階段，團隊主要在研究怎麽讓模型架構更高效，怎麽把海量知識塞進去。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，帶著它從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。合成數據研究者為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，他們在係統指令中加入「detailedthinkingon」，而對於非推理樣本，則使用「detailedthinkingoff」。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為。為推理，精心準備了數學、代碼等相關領域的合成數據。為了訓練模型遵循「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複和一個不帶推理的回複。這種配對方式，使模型能夠根據係統指令學習調節其推理行為。隨後會依據標準答案或獎勵模型對這些回複進行篩選。微調流程在指令微調數據上，所有模型的訓練，均采用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係統指令「detailedthinkingon/off」的條件，與相應的響應配對。延長訓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來進行強化學習訓練，支持GRPO以及異構模型的訓練。論文鏈接：http://arxiv.org/abs/2405.01481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H100GPU。生成階段采用FP8精度，訓練階段采用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，知識蒸餾本質上為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。為了使學生模型超越教師模型，大規模強化學習是一種可行的方法，因為它允許模型持續探索新的可能性並進行自我學習。由於資源限製，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增強它的科學推理能力，采用DeepSeek-R1同款的分組相對策略優化算法。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。獎勵機製設計包含兩類：準確性獎勵：基於標準答案，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，強製模型在「詳細思考」模式下用think標簽包裹推理過程，非該模式時禁止出現此類標簽準確性獎勵：基於標準答案，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，強製模型在「詳細思考」模式下用think標簽包裹推理過程，非該模式時禁止出現此類標簽研究團隊還對數據進行預處理，包括數據過濾和課程訓練。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：采用基於通過率的漸進式批次分配動態分布：以高斯函數建模批次難度，初期側重高通過率樣本，後期轉向低通過率樣本填充邏輯：優先按目標分布分配樣本，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：采用基於通過率的漸進式批次分配動態分布：以高斯函數建模批次難度，初期側重高通過率樣本，後期轉向低通過率樣本填充邏輯：優先按目標分布分配樣本，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動態分布：以高斯函數建模批次難度，初期側重高通過率樣本，後期轉向低通過率樣本填充邏輯：優先按目標分布分配樣本，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ArenaHard測試中取得了88.3的高分，超越了專有模型如Claude3.5Sonnet和GPT-4o-2024-05-13，也優於體量更大的開源模型。為了實現這一結果，他們采用了「在線RPO」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ArenaHard得分從69.1提升到88.1。對於LN-Ultra，他們使用類似流程，但采用了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，並配合適當的係統提示詞，以優化模型的推理控製能力。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IFevals、用於函數調用工具使用評估的BFCLV2Live以及用於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。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麵是有效的。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專門優化為可在單個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布外任務。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成為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。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。參考資料：http://arxiv.org/abs/2505.00949