/ Модель

Характеристики

Контекст
262 144 токена
Параметры
1,9 млрд
Размер весов
63,2 ГБ
Лицензия
Своя лицензия
Архитектура
nemotron_h · dense
Базовая модель
Nemotron-Cascade-2-30B-A3B
Библиотека
transformers
Опубликована
24 мар 2026

openNemo-Cascade-2-30B-A3B

Генерация текстаТекст → текст15 профессий

Гибридная языковая модель NVIDIA Nemotron-Cascade-2 в реализации Empero AI для диалоговой генерации текста и сложных рассуждений с поддержкой 4-битной квантизации и QLoRA.

120скачиваний за 30 дней11лайковвеса обновлены24 мар 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

openNemo-Cascade-2-30B-A3B — реализация модели NVIDIA Nemotron-Cascade-2-30B-A3B от Empero AI, в которой CUDA-зависимые операции заменены на операции PyTorch. Это позволяет использовать веса исходной модели без преобразования и применять 4-битную квантизацию bitsandbytes и QLoRA дообучение на совместимых потребительских GPU. Модель предназначена для генерации текста в диалогах и задач сложного рассуждения; в карточке приведены результаты исходной модели на математических и программных олимпиадах.

Архитектура гибридная: 52 слоя сочетают блоки Mamba2, смесь экспертов MoE с выбором 6 из 128 экспертов и несколько блоков Grouped Query Attention. В README указано около 30,87 млрд параметров всего и около 3 млрд активных на токен; метаданные каталога сообщают 1,9 млрд параметров, поэтому оценка размера противоречива. Метаданные указывают контекст до 262 144 токенов и поддержку английского, испанского, французского, немецкого, итальянского и японского языков.

Репозиторий сохраняет имена весов NVIDIA и заявляет совместимость с исходным чекпойнтом. Для 4-битной загрузки README оценивает потребление видеопамяти примерно в 17 ГБ, а для QLoRA — около 19 ГБ. Лицензия в метаданных обозначена как «other»; конкретные условия использования следует проверять в файлах репозитория и у базовой модели.

Сценарии применения

  • ответы в диалоговом интерфейсе
  • решение сложных математических задач
  • генерация и анализ кода
  • дообучение языковой модели методом QLoRA
  • запуск большой модели на GPU с ограниченной видеопамятью

Ограничения

Сведения о числе параметров расходятся: README указывает 30,87 млрд общих параметров, а метаданные — 1,9 млрд. Экономия памяти зависит от 4-битной загрузки и аппаратной конфигурации; условия лицензии «other» требуют отдельной проверки.

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

openNemo-Cascade-2-30B-A3B

openNemo

Pure-PyTorch drop-in replacement for NVIDIA's Nemotron-Cascade-2-30B-A3B.

Removes all external CUDA kernel dependencies (mamba-ssm, causal-conv1d) and replaces them with native PyTorch operations, making the model fully compatible with bitsandbytes 4-bit quantization and QLoRA fine-tuning on consumer GPUs.

30B total parameters, 3B active per token. Loads in 17 GB VRAM with 4-bit quantization.

By Empero AI


Why?

NVIDIA's Nemotron-Cascade-2 is a 30B MoE reasoning model that achieves gold medal performance on IMO 2025 and IOI 2025. But the original implementation depends on mamba-ssm and causal-conv1d, which ship pre-compiled Triton/CUDA kernels that:

  • Break bitsandbytes quantization — the kernels call F.linear directly, colliding with bnb's __torch_function__ hook on quantized weights
  • Require specific CUDA versions — kernel compilation failures are common on consumer setups
  • Prevent QLoRA training — you can't fine-tune what you can't quantize

openNemo Cascade fixes all of that. Same weights, same architecture, pure PyTorch.

What Changed

ComponentOriginal (NVIDIA)openNemo Cascade
rmsnorm_fnmamba_ssm.ops.triton.layer_normPure PyTorch group-wise RMSNorm + SiLU gating
ssd_combinedmamba_ssm.ops.triton.ssd_combinedChunked SSD scan with einsum contractions
selective_state_updatemamba_ssm.ops.triton.selective_state_updatePure PyTorch SSM step
causal_conv1d_fncausal_conv1d packagenn.Conv1d with causal padding
Forward routingFast path (kernels) vs slow pathOptimized torch path only
.model accessorOnly .backbone.model property alias (PEFT/LoRA compatible)
Async weight loadingOOM on large MoE modelsAuto-disabled for safe 4-bit loading

All weight names are preserved — loads NVIDIA's original checkpoint directly with zero conversion.

Quickstart

import torch
from transformers import AutoModelForCausalLM, AutoTokenizer, BitsAndBytesConfig

bnb_config = BitsAndBytesConfig(
    load_in_4bit=True,
    bnb_4bit_quant_type="nf4",
    bnb_4bit_compute_dtype=torch.bfloat16,
    bnb_4bit_use_double_quant=True,
)

model = AutoModelForCausalLM.from_pretrained(
    "empero-ai/openNemo-Cascade-2-30B-A3B",
    quantization_config=bnb_config,
    trust_remote_code=True,
    device_map="auto",
)

tokenizer = AutoTokenizer.from_pretrained("empero-ai/openNemo-Cascade-2-30B-A3B")

# Thinking mode (reasoning)
messages = [{"role": "user", "content": "Prove that the sum of the first n odd numbers equals n²."}]
text = tokenizer.apply_chat_template(messages, tokenize=False, add_generation_prompt=True, enable_thinking=True)
inputs = tokenizer(text, return_tensors="pt").to(model.device)

output = model.generate(**inputs, max_new_tokens=2048, do_sample=True, temperature=1.0, top_p=0.95)
response = tokenizer.decode(output[0][inputs["input_ids"].shape[-1]:], skip_special_tokens=True)
print(response)

No mamba-ssm install needed. Just pip install transformers bitsandbytes and go.

Instruct Mode (non-thinking)

# Set enable_thinking=False to skip the <think> reasoning chain
text = tokenizer.apply_chat_template(messages, tokenize=False, add_generation_prompt=True, enable_thinking=False)

QLoRA Fine-Tuning

from peft import LoraConfig, get_peft_model

lora_config = LoraConfig(
    r=64,
    lora_alpha=32,
    target_modules=["q_proj", "k_proj", "v_proj", "o_proj", "up_proj", "down_proj"],
    lora_dropout=0.05,
    bias="none",
    task_type="CAUSAL_LM",
)

model = get_peft_model(model, lora_config)
model.print_trainable_parameters()

Architecture

Nemotron-Cascade-2 is a 52-layer hybrid model with four block types defined by the pattern:

M E M E M * E M E M E M * E M E M E M * E M E M E M * E M E M E M * E M E M E M E M * E M E M E M E
  • M — Mamba2 SSM block (23 layers) — chunked structured state-space duality
  • E — Mixture-of-Experts block (23 layers) — 128 routed experts, top-6 selected per token
  • * — Grouped Query Attention block (6 layers) — sparse GQA with 32 heads, 2 KV heads
  • - — MLP block (not used in Cascade)
ParameterValue
Total parameters30.87B
Active parameters per token~3B
Hidden size2,688
MoE layers23
Routed experts per layer128
Experts selected per token6
Expert intermediate size1,856
Shared experts per layer1
Shared expert intermediate size3,712
Mamba2 heads64
Mamba2 head dim64
SSM state size128
Attention heads32 (2 KV heads)
Max context length262,144 tokens
Vocabulary size131,072

4-bit Memory Usage

SetupVRAM
bf16 (full precision)~65 GB
4-bit NF4 + double quant~17 GB
4-bit + QLoRA (r=64)~19 GB

Benchmark Results

From the original NVIDIA technical report:

BenchmarkNemotron-Cascade-2
IMO 202535 pts (Gold Medal)
IOI 2025439.3 (Gold Medal)
AIME 202592.4 (98.6 with TIR)
AIME 202690.9 (95.0 with TIR)
HMMT Feb2594.6
LiveCodeBench v687.2 (88.4 with TIR)
ICPC World Finals 202510/12 (Gold Medal)
ArenaHard v283.5
SWE Verified (OpenHands)50.2
MMLU-Pro79.8
GPQA-Diamond76.1

Requirements

torch>=2.1
transformers>=4.40
bitsandbytes>=0.43  # for 4-bit quantization
peft>=0.10          # optional, for LoRA/QLoRA

No mamba-ssm. No causal-conv1d. No CUDA kernel compilation.

Technical Notes

Async Loading Fix

Transformers >=5.0 uses a concurrent-futures weight loading pipeline that materializes bf16 tensors on GPU before bitsandbytes can quantize them. With 6,000+ Linear layers across 128 experts × 23 MoE layers, this causes OOM on GPUs with less than ~65 GB VRAM. openNemo Cascade automatically sets HF_DEACTIVATE_ASYNC_LOAD=1 at import time to force sequential loading, which lets bnb quantize each tensor in-place. This is transparent to users — just call from_pretrained normally.

If you want async loading back (e.g., on a large-memory server), set HF_DEACTIVATE_ASYNC_LOAD=0 before importing the model.

Weight Compatibility

All weight names match NVIDIA's original checkpoint exactly. This repo contains the same weights — the only difference is the modeling code. You can also point this modeling code at NVIDIA's original repo:

model = AutoModelForCausalLM.from_pretrained(
    "nvidia/Nemotron-Cascade-2-30B-A3B",  # NVIDIA's weights
    quantization_config=bnb_config,
    trust_remote_code=False,  # use our local code instead
    # ... provide local model code path
)

Files

FileDescription
modeling_nemotron_h.pyFull model implementation — Mamba2, Attention, MoE, MLP blocks
configuration_nemotron_h.pyModel config with MoE parameters
__init__.pyModule exports

Citation

@article{Nemotron_Cascade_2,
  title={Nemotron-Cascade 2: Post-Training LLMs with Cascade RL and Multi-Domain On-Policy Distillation},
  author={Yang, Zhuolin and Liu, Zihan and Chen, Yang and Dai, Wenliang and Wang, Boxin and Lin, Sheng-Chieh and Lee, Chankyu and Chen, Yangyi and Jiang, Dongfu and He, Jiafan and Pi, Renjie and Lam, Grace and Lee, Nayeon and Bukharin, Alexander and Shoeybi, Mohammad and Catanzaro, Bryan and Ping, Wei},
  year={2026}
}

License

NVIDIA Open Model License — same as the base model.

Acknowledgments

Как запустить

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

GPU в ailist

vLLM

Можно запустить

Подбираем GPU…

Класс архитектуры
NemotronHForCausalLM
Ревизия весов
13e0187

0 моделей