/ Модель

Характеристики

Лицензия
Своя лицензия
Базовая модель
NVIDIA-Nemotron-3-Nano-4B-BF16
Библиотека
gguf
Опубликована
22 мая 2026

NVIDIA-Nemotron-3-Nano-4B-NVFP4-GGUF

Генерация текстаТекст → текст10 профессий

Квантованная в гибридном формате NVFP4 и F16 модель NVIDIA Nemotron 3 Nano 4B в GGUF для локальной генерации текста и диалога.

97скачиваний за 30 дней0лайковвеса обновлены18 июн 2026

Бенчмарки

Как модель справилась с задачами пользователей ailist и что о ней публикуют открытые лидерборды

Публичные оценки

Из открытых лидербордов. Сравнивайте результаты одного теста при одинаковых условиях — отсутствие оценки не значит, что модель хуже.

В подключённых источниках результатов для этой модели пока нет.

Что умеет модель

Описание составлено по карточке модели и метаданным Hugging Face

Это квантованная версия NVIDIA Nemotron 3 Nano 4B, подготовленная FreedomAISVR в формате GGUF на основе весов NVIDIA Nemotron 3 Nano 4B BF16. Модель содержит около 4 млрд параметров и предназначена для генерации текста и диалога. Её гибридная архитектура включает 37 слоёв Mamba2 и 4 блока внимания с ограниченным окном. Контекстное окно — до 1 048 576 токенов.

Веса Mamba2 хранятся в F16, а веса блоков внимания, FFN, эмбеддинги и нормализации — в NVFP4. Такое смешанное представление увеличивает размер файла примерно до 4,6 ГБ, но позволяет выполнять слои на CUDA GPU без описанного в карточке перехода Mamba2-операций на CPU. Модель ориентирована на запуск через llama.cpp на совместимом GPU, в частности Blackwell. Указана лицензия other; конкретные условия следует проверять в исходной карточке NVIDIA.

Сценарии применения

  • локальный чат и ответы на запросы
  • генерация текста на совместимом CUDA GPU
  • запуск языковой модели через llama.cpp
  • работа с длинным контекстом до 1 048 576 токенов

Ограничения

Квантование смешанное: веса Mamba2 занимают F16, поэтому файл около 4,6 ГБ, а не ожидаемых для чистого NVFP4 2,3 ГБ. Для заявленного ускорения требуется совместимый CUDA GPU; точные условия лицензии other нужно уточнить в карточке исходной модели.

Для каких профессий подходит10

Разделы каталога профессий, в задачах которых используется эта модель

Все профессии

Также подходит для

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

NVIDIA-Nemotron-3-Nano-4B NVFP4 GGUF

NVFP4 (E4M3) quantization of nvidia/NVIDIA-Nemotron-3-Nano-4B-BF16, NVIDIA's 4B-parameter dense text model with Mamba2-SSM hybrid attention and 1,048,576 token context window.

Why Is This File Bigger Than Expected?

A pure NVFP4 quant of this model should be ~2.3 GB, but this file is ~4.6 GB. Here's why:

This model uses a Mamba2-Transformer hybrid architecture — 37 out of 41 layers are Mamba2 state-space model (SSM) layers, not standard transformer attention. The CUDA kernels that run Mamba2 SSM operations (SSM_SCAN, SSM_CONV) require F32 inputs and will reject quantized weight tensors entirely.

When SSM weight tensors are stored in NVFP4, the CUDA backend refuses to process them and falls back to CPU for all 37 Mamba2 layers. Since 90% of the model is Mamba2, this means the entire model effectively runs on CPU — extremely slow.

The Workaround (Hybrid Quantization)

To fix this, the 42 SSM weight tensors (ssm_in.weight, ssm_out.weight across 37 Mamba2 blocks) are stored in F16 instead of NVFP4. Everything else — attention layers, FFN layers, embeddings, norms — stays at NVFP4.

Layer TypeCountStorage FormatWhy
Mamba2 SSM weights37 layersF16CUDA SSM kernels require F32/F16 input
Attention weights4 layersNVFP4Standard attention CUDA ops handle quantized input
FFN weightsall layersNVFP4Standard FFN CUDA ops handle quantized input
Bias/norm tensorsall layersF32Always F32, too small to matter

This adds ~2.3 GB on disk but ensures all layers run on CUDA GPU instead of falling back to CPU.

This Is a Bandaid, Not a Fix

This hybrid approach is a temporary workaround until one of the following happens:

  1. llama.cpp adds NVFP4 support to CUDA SSM kernels — The Mamba2 scan and conv CUDA ops currently assert GGML_TYPE_F32 inputs. Adding NVFP4 dequantization support inside these kernels would allow pure NVFP4 storage with no performance penalty.

  2. NVIDIA releases native NVFP4 SSM kernels — Blackwell GPUs have hardware NVFP4 support, but the SSM-specific CUDA kernels haven't been updated to use it yet.

  3. A different quantization approach is found — e.g., quantizing only the non-SSM layers and keeping SSM at higher precision by design, rather than as a post-hoc requantization.

Until then, this hybrid GGUF is the best available option for running this model with NVFP4 on Blackwell GPUs. The file is larger than ideal, but the alternative (CPU fallback for 90% of the model) is much worse.

Files

FilenameTypeSizeDescription
nemotron-3-nano-4b-NVFP4.ggufHybrid NVFP4+F16~4.6 GBMain model weights (~9.72 BPW effective)

Architecture

  • 41 layers: 37 Mamba2 (SSM) + 4 sliding-window attention
  • Hybrid pattern: M-M-M-MM-M-M*-M-M*-M-M-M*-M-M-MM*-MMM-M-M-M
  • Attention blocks: 3, 12, 17, 24, 32 (head_dim=128, 8 KV heads)
  • Mamba2 blocks: All others (conv kernel 4, state size 128, 96 heads)

Usage

llama-server -m nemotron-3-nano-4b-NVFP4.gguf --host 0.0.0.0 --port 8080 -ngl 99

Credits

Как запустить

На своей GPU в ailist. Цена — по текущим предложениям провайдеров

GPU в ailist

llama.cpp

Нельзя запустить

Репозиторий недоступен на Hugging Face.

Ревизия весов
8e03adc

0 моделей