黃仁勳要在開源模型市場插一面旗
大家以為 NVIDIA 只管賣 GPU 的時候，NVIDIA 悄悄發布了 Nemotron 3 全系列——不只是模型權重，連 3 兆 token 的預訓練資料集、強化學習流程和評估工具全部開源了。
這個動作的信號很清晰：NVIDIA 不想只做賣鏟子的，它要在開源 AI 生態裡占一個位置。
三個尺寸，全部混合專家架構
Nemotron 3 系列採用的是混合潛空間 MoE（Hybrid Latent MoE）架構，共三個版本：
| 型號 | 總參數 | 每次激活參數 | 狀態 |
|---|---|---|---|
| Nano | 300 億 | 約 30 億 | 已發布 |
| Super | 約 1000 億 | 約 100 億 | 2026 上半年 |
| Ultra | 約 5000 億 | 約 500 億 | 2026 上半年 |
MoE 的核心優勢就是：參數規模大，但每次推理只激活一小部分，所以實際計算成本可以控制得住。DeepSeek V3、Llama 4 都在用同樣的思路，現在 NVIDIA 也跟上了。
Nano 的跑分數據挺有意思
已發布的 Nano 版本，官方給出的數據：
- 推理速度是前代產品的 4 倍
- 推理 token 生成量減少 60%（能用更少的中間步驟得到結論）
- 上下文視窗 1M token
第三方評測機構 Artificial Analysis 的評價是：「同尺寸模型裡開放程度最高、效率最好的，精度也領先」。
這個「高效推理」方向和 DeepSeek V3.2 的稀疏注意力思路有點像——大方向都是在不犧牲效果的前提下把計算量打下來。
全開放的工具鏈
NVIDIA 同步開源了一套配套工具：
- NeMo Gym：Agent 強化學習訓練框架
- NeMo RL：強化學習流程庫
- NeMo Evaluator：評估工具
模型權重、訓練資料、工具鏈全部發在 Hugging Face 和 GitHub 上，協議完全開放，任何人可以下載、微調、部署。
NVIDIA 為什麼要做這件事
有幾個可能的邏輯：
軟體綁定硬體。你用 NVIDIA 的開源模型工具鏈，大概率配 NVIDIA 的 GPU 跑。這和當年 CUDA 的邏輯一樣，用生態鎖住計算基礎設施。
對沖開源競爭壓力。DeepSeek、Llama 4、Qwen 這些開源模型越來越強，NVIDIA 如果只做硬體層，在 AI 生態的話語權會被稀釋。做開源模型等於直接入局。
企業採購捆綁。很多大企業買 NVIDIA GPU 加服務套餐，內置可信的開源模型是加分項，也是銷售材料的一部分。
當然，開源這件事對 NVIDIA 來說也是成本。但從 NVIDIA 目前的財力來看，這不是問題。
值得等的是 Super 和 Ultra
目前發布的 Nano 規模相對保守。真正讓人期待的是 2026 上半年的 Super（1000 億參數）和 Ultra（5000 億參數）——如果 Nemotron 3 Ultra 打出來的 benchmark 夠好，這件事就不只是「NVIDIA 也做模型了」這麼簡單，而是一個在開源模型排行榜上有真實競爭力的選手。
參考來源：CocoLoop、NVIDIA Debuts Nemotron 3 Family of Open Models（NVIDIA Newsroom）