导读：英伟达甩出Nemotron 3 Nano：30B参数只激活3.2B，跑得比同体量对手快3.3倍，1M长上下文、工具调用、数学代码全线拉满，还直接把模型+数据+训练配方全部开源。小而快的时代，真的来了。

英伟达低调挂出技术报告：Nemotron 3 Nano 30B-A3B正式发布，开源！

传统思路的“越大越强”被它直接掀桌。总量31.6B的“身材”，每次推理只唤醒3.2B（含嵌入3.6B）。实测在8K输入+16K输出场景里，推理速度是Qwen3-30B-A3B的3.3倍，GPT-OSS-20B的2.2倍，一张H200就能起飞。

长上下文不再是“噱头”。通过连续预训练+256k合成检索数据，Nemotron 3 Nano把窗口直接推到100万token，在RULER 1M基准上86.3分，甩开对手近10分，长文摘要、跨文档问答、代码库级理解稳稳拿捏。

数学、代码、工具调用，全能“三栖”

• AIME25数学竞赛：无工具89.1分，开Python工具直接飙到99.2分，差0.8就满分。
• LiveCodeBench代码实战：68.3分，比Qwen3高2分，比GPT-OSS高7分。
• SWE-Bench软件工程：38.8分，开源模型第一梯队，能自己修GitHub真实Issue。
• 工具调用：BFCL v4 53.8分，airline、retail、telecom三大场景平均49分，订机票、查账单、解纠纷一条龙。

FP8量化，速度再提30%，精度几乎不掉。用选择性量化保下6层注意力+6层Mamba的精度，其余全部压成FP8，AA-LCR、MMLU-Pro等12项基准平均掉分不到1%，吞吐量却再涨30% ，边缘端也能跑得欢。

预训练阶段，开发团队烧了25T token，其中2.5T全新英文网页、428B代码、31.7B STEM推理问答全部上架HuggingFace。更狠的是，代码转译、跨学科合成题、Python→C++自动翻译等操作一并放出，直接给复现开了绿灯。

三步后训练，让模型“听得懂人话”

1. 监督微调（SFT）：1800万条多轮对话、竞赛题、终端操作记录，推理开关、预算控制、工具集成一次学全。
2. 多环境强化学习（RLVR）：数学、代码、指令遵循、长文QA等10个任务同步训练，互相不拉胯，200步后全面反超SFT。
3. 人类反馈强化（RLHF）：自研生成式奖励模型GenRM，16选1环形对比，长度惩罚+简洁奖励让回答短30%却不掉质量。

英伟达就用一篇报告、一行链接，把“小参数、高速度、长文本、强推理”的新标杆立了起来。接下来，就看开发者们怎么用它把成本打下来，把体验提上去了。

项目地址：https://huggingface.co/papers/2512.20848