英伟达开源253B语言模型：Llama-3.1-Nemotron-Ultra-253B-v1 模型情况

Llama-3.1-Nemotron-Ultra-253B-v1 模型情况

1. 模型概述

Llama-3.1-Nemotron-Ultra-253B-v1 是一个基于 Meta Llama-3.1-405B-Instruct 的大型语言模型 (LLM)，专为推理、人类对话偏好和任务（如 RAG 和工具调用）而优化。该模型支持 128K 令牌的上下文长度，并可以在单个 8xH100 节点上进行推理。

关键特点

• 准确性与效率的平衡：通过神经架构搜索 (NAS) 方法显著减少内存占用，降低 GPU 需求，同时提升推理效率。

• 垂直压缩技术：进一步优化延迟。

• 多阶段后训练：包括监督微调和基于 GRPO 算法的强化学习，提升推理和非推理能力。

• 商业用途：适用于 AI 代理系统、聊天机器人、RAG 系统和其他 AI 驱动的应用。

2. 技术细节

模型架构

• 架构类型：密集型解码器 Transformer 模型。

• 基础模型：基于 Llama-3.1-405B-Instruct，通过 NAS 定制。

• 参数数量：2530 亿。

• NAS 优化：

  • 跳过注意力层：某些块中完全跳过注意力层或替换为单线性层。

  • 可变 FFN 层：不同块的 FFN 层扩展/压缩比率不同。

  • FFN 融合：将多个连续的 FFN 层融合为更少的宽层。

训练过程

• 知识蒸馏：使用 650 亿令牌进行知识蒸馏。

• 持续预训练 (CPT)：使用 880 亿令牌进行进一步训练。

• 多阶段后训练：包括监督微调和基于 GRPO 的强化学习。

3. 使用方法

推理模式

• 推理模式控制：通过系统提示控制推理模式（ON/OFF）。

• 推荐参数：

  • 推理模式 ON：温度 0.6，Top P 0.95。

  • 推理模式 OFF：贪心解码（温度 0）。

代码示例

使用 Hugging Face Transformers

import torch
from transformers import AutoTokenizer, pipeline

model_id = "nvidia/Llama-3_1-Nemotron-Ultra-253B-v1"
model_kwargs = {
    "torch_dtype": torch.bfloat16,
    "trust_remote_code": True,
    "device_map": "auto"
}

tokenizer = AutoTokenizer.from_pretrained(model_id)
tokenizer.pad_token_id = tokenizer.eos_token_id

pipeline = pipeline(
    "text-generation",
    model=model_id,
    tokenizer=tokenizer,
    max_new_tokens=32768,
    temperature=0.6,
    top_p=0.95,
    **model_kwargs
)

# 推理模式 ON
print(pipeline([{"role": "system", "content": "detailed thinking on"}, {"role": "user", "content": "Solve ..."}]))

# 推理模式 OFF
print(pipeline([{"role": "system", "content": "detailed thinking off"}, {"role": "user", "content": "Solve ..."}]))

使用 vLLM

pip install vllm==0.8.3
python3 -m vllm.entrypoints.openai.api_server \
  --model "nvidia/Llama-3_1-Nemotron-Ultra-253B-v1" \
  --trust-remote-code \
  --seed=1 \
  --host="0.0.0.0" \
  --port=5000 \
  --served-model-name "nvidia/Llama-3_1-Nemotron-Ultra-253B-v1" \
  --tensor-parallel-size=8 \
  --max-model-len=32768 \
  --gpu-memory-utilization 0.95 \
  --enforce-eager

4. 性能评估

评估数据集

• 训练数据：包括 FineWeb、Buzz-V1.2 和 Dolma 等。

• 多阶段后训练数据：支持数学、代码、推理和指令遵循能力的提升。

评估结果

• 推理模式 ON：

  • GPQA：72.50%

  • AIME25：66.31%

  • MATH500：97.00%

• 推理模式 OFF：

  • GPQA：16.67%

  • AIME25：29.03%

  • MATH500：80.40%

5. 伦理考虑

• 可信 AI：NVIDIA 强调可信 AI 是一项共同责任，开发者需确保模型符合行业和用途要求，并防止未预见的滥用。

6. 适用场景

• AI 代理系统：如聊天机器人、RAG 系统。

• 编程语言支持：适用于英语和多种编程语言（如 Python）。

• 多语言支持：支持德语、法语、意大利语、葡萄牙语、印地语、西班牙语和泰语。

7. 硬件与软件要求

• 推荐硬件：NVIDIA Hopper 和 Ampere 架构。

• 操作系统：Linux。

• 软件版本：推荐使用 Transformers 4.48.3。