/ Модель

Характеристики

Контекст
262 144 токена
Параметры
1,9 млрд
Размер весов
63,2 ГБ
Лицензия
Своя лицензия
Архитектура
nemotron_h · dense
Базовая модель
NVIDIA-Nemotron-3-Nano-30B-A3B-BF16
Библиотека
transformers
Опубликована
28 авг 2026

nemotron3-nano-kd-distilled

Генерация текстаТекст → текст4 профессии

Дообученная на дистиллированных трассах рассуждений Nemotron 3 Nano предназначена главным образом для генерации кода и решений задач программирования.

31скачиваний за 30 дней0лайковвеса обновлены28 авг 2026

Бенчмарки

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

Тесты пользователейпока нет

Никто ещё не опубликовал тест этой модели. Соберите бенчмарк из своих задач — результат появится здесь.

  1. Добавьте модель в бенчмарк

    Вместе с другими моделями категории «Текст» — сравнение идёт внутри одной категории.

  2. Опишите свои задачи

    Напишите запросы, при необходимости приложите файлы и эталонные ответы.

  3. Запустите и опубликуйте

    Модели ответят на каждую задачу, судья оценит ответы. Опубликованный результат появится на этой странице.

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

curtburk/Nemotron 3 Nano 30B — KD Distilled — это дообученная для генерации кода модель на базе NVIDIA Nemotron 3 Nano, подготовленная автором репозитория с помощью LoRA и дистилляции рассуждений DeepSeek-V4-Flash. Адаптер объединён с базовыми весами; репозиторий содержит модель в формате safetensors. В метаданных указаны 1,9 млрд параметров и контекст до 262 144 токенов.

Модель предназначена прежде всего для генерации решений задач программирования. На описанном в карточке тесте из 213 задач pass@1 вырос с 23,0% у базовой модели до 63,4%; автор связывает улучшение с более частым завершением ответа и выдачей кода. Модель также поддерживает диалоговые сценарии, однако качество вне задач программирования, включая общий чат и работу с длинным контекстом, не оценивалось.

Результаты получены в одном запуске на одном семействе бенчмарков; точную величину улучшения следует считать приблизительной. Карточка отмечает, что модель редко соблюдает заданный формат ответа, а оценка учителя частично затронута загрязнением данными. Лицензия обозначена в метаданных как other; конкретные условия использования следует сверить с карточкой репозитория.

Сценарии применения

  • генерация кода для задач программирования
  • решение задач с алгоритмическими требованиями
  • получение завершённых программных решений вместо незаконченного рассуждения

Ограничения

Оценка основана на одном запуске и одном семействе бенчмарков; качество общего чата и поведение на длинном контексте не проверялись. Модель редко воспроизводит заданную структуру ответа, а сравнение с учителем затронуто загрязнением тестовыми задачами.

Для каких профессий подходит4

Разделы каталога профессий, в задачах которых используется эта модель

Все профессии

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

Nemotron 3 Nano 30B — KD Distilled

NVIDIA-Nemotron-3-Nano-30B-A3B-BF16 fine-tuned with LoRA on 3,872 reasoning traces distilled from DeepSeek-V4-Flash (284B), with the adapter merged into the base weights.

Held-out pass@1 on coding problems: 23.0% → 63.4%, which is 92.5% of the teacher's own score at 9.5× fewer parameters.

Corpus construction, training, merging, and evaluation all ran on a single HP ZGX Fury (one NVIDIA GB300 Grace Blackwell Ultra). No cloud APIs at any stage.

Results

213 held-out problems (182 APPS, 8 HumanEval+), unseen during training. Greedy decoding.

basethis modelteacher (284B)
pass@123.0%63.4%68.5%
APPS (n=182)22.5%69.8%75.8%
hard (n=26)3.8%65.4%73.1%
easy (n=66)27.3%56.1%56.1%
responses that terminated34.3%93.0%100.0%
mean completion tokens9,7363,125875
responses with no code block138118

What actually changed

The gain is about finishing, not about better algorithms.

The base model failed 138 of 213 problems by never producing code at all. It would analyse the problem correctly, describe a sound approach, and then run past the token budget mid-thought. Only 34% of its responses terminated on their own, at a mean of 9,736 tokens.

The teacher terminates every time, in 875 tokens. This model lands in between: 93% termination at 3,125 tokens. What transferred was the decision to stop analysing and commit to an answer, which matters most on hard problems, where the base model spirals longest.

On easy problems it matches the teacher exactly.

Usage

Loads and serves like the base model.

from transformers import AutoModelForCausalLM, AutoTokenizer
import torch

model_id = "curtburk/nemotron3-nano-kd-distilled"
tok = AutoTokenizer.from_pretrained(model_id, trust_remote_code=True)
model = AutoModelForCausalLM.from_pretrained(
    model_id, dtype=torch.bfloat16, device_map="cuda", trust_remote_code=True,
)

messages = [{"role": "user", "content": "Write a function returning the nth Fibonacci number."}]
ids = tok.apply_chat_template(messages, add_generation_prompt=True, return_tensors="pt").to("cuda")
out = model.generate(ids, max_new_tokens=2048, do_sample=False)
print(tok.decode(out[0][ids.shape[1]:], skip_special_tokens=True))

With vLLM:

vllm serve curtburk/nemotron3-nano-kd-distilled \
    --trust-remote-code --max-model-len 16384 --gpu-memory-utilization 0.85

Requires mamba-ssm and causal-conv1d, same as the base model. Generating with transformers directly may warn about NemotronHHybridDynamicCache; pass use_cache=False or use vLLM.

Training

methodLoRA, merged into base weights
frameworkMegatron-Bridge (nvcr.io/nvidia/nemo:25.11.nemotron_3_nano)
rank / alpha32 / 32
target moduleslinear_qkv, linear_proj, linear_fc1, linear_fc2, in_proj, out_proj
learning rate1e-4, cosine, 75 warmup steps
sequence length4,096, unpacked
batchmicro 1, global 8
iterations1,500 (checkpoint taken at 1,400)
precisionbf16
hardware1× NVIDIA GB300, ~2 hours at 5.2 s/step
loss0.73 → 0.46, no NaN iterations

Merged adapters cover attention, Mamba in_proj/out_proj, and MoE shared experts. Merging the routed expert adapters as well was tested and scored 8 points lower (55.4% vs 63.4%) — the model more often produced a complete analysis and then stopped without writing a solution. See the repo for details.

Note: Megatron-Bridge's save_hf_pretrained() does not merge subclass-style LoRA adapters and fails silently, producing an export byte-identical to the base model. The merge here was done in-place before export. See the repo for details and a working script.

Caveats

Single run. One seed, one checkpoint, one benchmark family. The direction held across every slice measured, but treat the exact magnitude as approximate.

Teacher score is a contaminated ceiling. The teacher generated traces for these same 213 problems during corpus construction, so the split is held out from the student but not from the teacher. Retention is approximate. The teacher also ran at a smaller token budget (10,240 vs 12,288) and on a different vLLM build.

Sampling mismatch. Evaluation used greedy decoding; the corpus was generated at temperature=1.0, top_p=1.0, which is what the teacher's model card recommends.

MBPP excluded. MBPP scored 1/23 for every model tested including the 284B teacher, which is a harness bug rather than a model property. It is left out of the table above rather than reported as a real number.

Format adherence did not transfer. The corpus uses a fixed markdown structure (Analysis / Approach / Implementation Plan / Solution / Verification). This model reproduces the full structure on only 2.3% of responses. It learned termination behaviour, not formatting.

Not evaluated outside coding. No measurement of whether general capability, chat quality, or long-context behaviour regressed. Assume they may have.

Licenses

Base model under the NVIDIA Open Model License. Training traces generated from DeepSeek-V4-Flash, which is MIT-licensed.

Links

Как запустить

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

GPU в ailist

Универсальный рантайм · transformers

Можно запустить

Подбираем GPU…

Класс архитектуры
NemotronHForCausalLM
Ревизия весов
ca4968c

0 моделей