近日，科技界迎来了一项令人瞩目的新进展，英伟达悄然发布了一款名为NVIDIA Nemotron Nano 2的开源语言模型，其体积仅9B大小，却展现出了惊人的性能。
这款模型的问世，无疑是对当前业界标杆Qwen3-8B的一次有力挑战。尽管两者在参数量级上相近，但Nemotron Nano 2采用了全新的混合架构，即英伟达所宣称的革命性Mamba-Transformer架构。这一创新设计使得该模型在复杂推理基准测试中，不仅达到了与Qwen3-8B相当的准确率，更是在吞吐量上实现了最高6倍的提升。
英伟达表示，Nemotron Nano 2的诞生旨在解决复杂推理任务中的性能瓶颈，它追求的是在保持顶尖精度的同时，实现无与伦比的吞吐量。从官网的测试来看，这款模型对于经典问题的回答准确且迅速。
不仅如此，英伟达还为这款模型开发了三款实用小工具，分别可以实时查询天气、描述哈利波特中的角色以及帮助用户选择颜色。这些小工具进一步展示了Nemotron Nano 2在实际应用中的潜力。
当然，作为一款9B大小的模型，Nemotron Nano 2在某些方面仍有提升空间。例如，在回答关于Sam Altman、马斯克和黄仁勋谁更值得信任的问题时，模型出现了将马斯克误译为“麻克”的小错误。不过，值得注意的是，模型在信任度排序上，将黄仁勋放在了首位，这或许能反映出英伟达对于自家技术的深厚信心。
Nemotron Nano 2的强大性能，得益于其创新的Nemotron-H架构。这一架构通过引入闪电般快速的Mamba-2层，替换了传统Transformer架构中的大部分自注意力层，从而在处理长篇大论和复杂思维链时，实现了推理速度的史诗级提升。
Mamba架构作为一种全新的序列建模架构，它摒弃了传统的注意力机制，而是基于结构化状态空间模型（SSMs），通过“选择性机制”根据当前输入动态调整参数，从而专注于保留相关信息并忽略无关信息。这一特性使得Mamba在处理超长序列时，推理速度可比Transformer快3–5倍，且其复杂度为线性级别，支持极长的上下文。
为了将Mamba与Transformer的优势相结合，英伟达在Nemotron Nano 2中采用了混合架构。Transformer虽然在效果上出众，但在处理长序列时存在计算和内存瓶颈；而Mamba则擅长在长上下文中高效建模，但在某些特定任务上可能稍显不足。因此，混合架构的引入，既保留了Transformer的出色效果，又克服了其在处理长序列时的局限性。
在训练过程中，英伟达采用了“暴力”预训练策略，在一个拥有20万亿Token的海量数据集上，利用先进的FP8训练方案，锻造出一个120亿参数的基础模型。随后，结合多阶段对齐方法和Minitron策略，对这个基础模型进行了极限压缩与蒸馏，最终得到了9B参数的Nemotron Nano 2。
与Qwen3-8B等同级别模型相比，Nemotron Nano 2在各大推理基准测试中表现出色，不仅在精度上平起平坐甚至更胜一筹，还在吞吐量上实现了显著提升。在数学、代码、通用推理以及长上下文等基准测试中，Nemotron Nano 2均优于或持平同类开源模型。
英伟达在发布Nemotron Nano 2的同时，还宣布在HuggingFace平台上全面开放相关资源，包括三个支持128K上下文长度的模型以及用于预训练的大部分数据集。这一举措无疑将促进开源社区的发展，为更多研究者提供宝贵的资源和机会。
在当前科技竞争日益激烈的背景下，英伟达的这一举措无疑为开源领域注入了新的活力。尽管一些企业如meta在开源策略上有所调整，但英伟达等企业的坚持和努力，仍然让我们看到了开源未来的无限可能。
