标题建议（适用于通用SEO优化）：

以下是根据您提供的原文，经过SEO优化和处理后的文章，适合用于网站发布，提升搜索引擎排名。文章保留了核心信息，同时进行了结构优化、关键词自然融入、段落分隔等SEO友好处理。

## （由多段落组成）

在AI模型小型化趋势愈发明显的今天，英伟达也加入了这场“小模型竞赛”，推出了自家的小型语言模型——Nemotron Nano v2。这款模型参数规模为9B（90亿），虽然体积小巧，但性能却不容小觑。根据技术报告，其在复杂推理任务中的准确率与Qwen3-8B相当甚至更优，同时在处理速度上提升了6倍。

与当前主流的大模型不同，Nemotron Nano v2的设计初衷是打造一个兼顾推理与非推理任务的统一模型。这意味着它不仅适用于日常的问答与指令执行，还能胜任逻辑推理、数学计算等高难度任务。英伟达还引入了“思考预算控制”功能，用户可以设定模型在推理过程中使用的token数量，从而在速度与准确性之间取得平衡。

值得一提的是，该模型支持跳过中间推理步骤，直接输出最终答案。不过，这种方式在面对复杂任务时可能会导致准确率下降。因此，建议在需要深度分析的场景下，启用完整的推理流程。

在训练方面，Nemotron Nano v2采用了20万亿token的预训练数据，使用FP8精度进行训练，并通过Warmup-Stable-Decay学习率调度策略优化训练过程。随后，模型还经历了持续预训练的长上下文扩展阶段，使其能够支持高达128k token的上下文长度。

后训练阶段则包括监督微调（SFT）、组相对策略优化（GRPO）、直接偏好优化（DPO）和人类反馈强化学习（RLHF）等多种方法，以提升模型的对齐性和指令遵循能力。其中，约5%的数据包含故意截断的推理轨迹，用于实现细粒度的思考预算控制。

为了提升模型在边缘设备上的运行效率，英伟达还对模型进行了剪枝与蒸馏处理。最终版本的Nemotron Nano v2可以在单个NVIDIA A10G GPU上运行，并支持128k token的上下文长度，非常适合部署在资源受限的设备上。

除了模型本身，英伟达还开源了两个基础版本：NVIDIA-Nemotron-Nano-12B-v2-Base（对齐或剪枝前的基础模型）和NVIDIA-Nemotron-Nano-9B-v2-Base（剪枝后的基础模型），方便研究人员和开发者根据需要进行定制和优化。

更令人瞩目的是，英伟达还首次公开了用于训练Nemotron Nano v2的66万亿token预训练语料库。该数据集被细分为四个高质量子集：

– Nemotron-CC-v2：涵盖2024至2025年的Common Crawl网络快照，经过去重和合成改写，支持多语言推理。
– Nemotron-CC-Math-v1：专注于数学，包含1330亿token的数学数据，标准化为LaTeX格式，保留代码与公式。
– Nemotron-Pretraining-Code-v1：来自GitHub的高质量代码数据集，覆盖11种编程语言。
– Nemotron-Pretraining-SFT-v1：综合生成的SFT数据，涵盖STEM、学术、推理和多语言领域。

英伟达表示，这些数据集的发布将为小型语言模型的发展提供坚实的基础。此外，他们还提供了一个小型抽样版本，方便开发者快速上手测试。

英伟达近年来在开源领域动作频频，与部分国外科技公司闭源的趋势形成鲜明对比。无论是Llama Nemotron Super v1.5，还是此次推出的Nemotron Nano v2，都显示出其在AI开源生态建设上的坚定步伐。

目前，Nemotron Nano v2已经开放在线试用，感兴趣的开发者和研究人员可以通过官方链接进行体验和下载模型。

##

本文来源： 量子位【阅读原文】