/ Модель

Характеристики

Контекст
262 144 токена
Параметры
1,9 млрд
Лицензия
Своя лицензия
Архитектура
nemotron_h · dense
Базовая модель
Nemotron-Cascade-2-30B-A3B
Библиотека
transformers
Опубликована
22 мар 2026

Nemotron-Cascade-2-30B-A3B-NVFP4

Генерация текстаТекст → текст15 профессий

Nemotron-Cascade-2-30B-A3B-NVFP4 — квантизированная версия модели Nemotron-Cascade-2-30B-A3B, разработанной NVIDIA.

999скачиваний за 30 дней13лайковвеса обновлены24 мар 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

Модель использует гибридную архитектуру MoE и Mamba; в ней 30 млрд параметров всего и около 3 млрд активных параметров на токен. Данный вариант создан сообществом chankhavu с применением NVIDIA ModelOpt и посттренировочной квантизации NVFP4 без Quantization-Aware Distillation.

Модель предназначена для задач генерации текста, математического рассуждения, программирования, работы с терминалом и агентских сценариев, следования инструкциям, диалога и научных запросов. Для калибровки использовались данные NVIDIA Nemotron-Cascade-2-SFT-Data, включая примеры по математике, software engineering, терминальным агентам, науке, безопасности и общению. README не указывает полный набор поддерживаемых языков и модальностей; по представленным данным это текстовая модель.

MoE-эксперты и часть Mamba-вычислений представлены в NVFP4 с форматом E2M1 и иерархическим блочным масштабированием, чувствительные компоненты сохранены в BF16, маршрутизаторы — в FP32, а KV-кэш — в FP8. Модель рассчитана прежде всего на GPU Blackwell, где доступно нативное вычисление FP4 и максимальное ускорение; на Hopper выполняется деквантизация весов во время работы, а Ampere в README обозначен как неподдерживаемый. По опубликованным тестам качество обычно на 1–2% ниже исходной BF16-модели, но при этом снижаются требования к памяти. Лицензия — NVIDIA Open Model License.

Для каких профессий подходит15

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

Nemotron-Cascade-2-30B-A3B-NVFP4

NVFP4 (4-bit) quantization of Nemotron-Cascade-2-30B-A3B. Quantized with NVIDIA ModelOpt using the same selective recipe as NVIDIA's official Nano NVFP4: MoE experts and Mamba GEMMs in NVFP4 (E2M1 with block scaling), attention and sensitive layers in BF16, KV cache in FP8. Native FP4 compute on Blackwell; weight-only dequant on Hopper/Ampere.

Benchmarks

Calculated using NVIDIA-NeMo/Evaluator with config from Nemotron-3-Super-120B's eval config:

BenchmarkNemotron-Cascade-2-30B-A3B(reproduced results)Nemotron-Cascade-2-30B-A3B-NVFP4 (this model)
AIME 2025 (avg@8)98.897.9
AIME 2026 (avg@8)94.292.1
HMMT Feb 2025 (avg@8)92.990.1

With the low sample count (8 rollouts per problem), a deviation of ±2% accross runs is expected. The NVFP4 is consistently 1-2% below the original BF16.

Quantization Details

  • Method: NVFP4 Post-Training Quantization (PTQ), without Quantization-Aware Distillation (QAD)
  • Format: E2M1 (1 sign, 2 exponent, 1 mantissa bit) with hierarchical block scaling
  • Block scaling: Group size 16 — each block of 16 values shares an FP8 E4M3 scale, plus a per-tensor FP32 global scale
  • KV cache: FP8
  • Tooling: NVIDIA ModelOpt

Selective Quantization Recipe

Follows the Nano-architecture selective quantization recipe from the Nemotron 3 Nano Technical Report (Section 4). Same recipe as NVIDIA's official NVFP4 checkpoint. Sensitive components are kept in higher precision:

ComponentPrecisionRationale
MoE expert GEMMs (routed + shared)NVFP4All 23 MoE layers, 128 routed + 2 shared experts each
Mamba GEMMs (non-adjacent)NVFP417 of 23 Mamba layers
Attention layers (all 6)BF16Most sensitive — kept BF16 per NVIDIA sensitivity analysis
Mamba layers adjacent to attention (6)BF16Layers {4, 11, 18, 25, 32, 41} — found sensitive in ablations
Mamba 1D convBF16All layers
Router gatesFP32Routing precision must not degrade
Embeddings & lm_headBF16Not quantized
KV cacheFP8All 6 attention layers

Calibration

  • Dataset: 4,000 samples from nvidia/Nemotron-Cascade-2-SFT-Data
  • Domain mix: math (1000), swe (900), terminal_agent (500), science (500), chat (400), conversational_agent (300), instruction_following (300), safety (100)
  • Sequence length: Up to 12,288 tokens (no padding, natural length per sample)

Usage

SGLang

python -m sglang.launch_server \
    --model chankhavu/Nemotron-Cascade-2-30B-A3B-FP8 \
    --trust-remote-code \
    --tool-call-parser qwen3_coder \
    --reasoning-parser nano_v3

vLLM

vllm serve chankhavu/Nemotron-Cascade-2-30B-A3B-FP8 \
    --mamba_ssm_cache_dtype float32 \
    --max-model-len 262144 \
    --trust-remote-code \
    --enable-auto-tool-choice \
    --tool-call-parser qwen3_coder \
    --reasoning-parser nemotron_v3 \
    --kv-cache-dtype fp8

GPU Requirements

ArchitectureGPU ExamplesFP4 Support
Blackwell (SM100+)B200, RTX 5090Native W4A4 — full compute speedup
Hopper (SM90)H100, L40SWeight-only dequantization at runtime
Ampere (SM86)RTX 3090, A100Not supported

Native FP4 Tensor Core compute requires Blackwell GPUs. On older architectures, weights are stored in FP4 but dequantized to FP16/BF16 at runtime — you still get the VRAM savings but not the compute speedup.

Acknowledgments

Как запустить

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

GPU в ailist

Универсальный рантайм · transformers

Нельзя запустить

Модели нужен код из репозитория; запуск откроется после проверки совместимости.

Класс архитектуры
NemotronHForCausalLM
Ревизия весов
80ee3cc

0 моделей