NVIDIA Nemotron：开放模型让企业拥有可信可控的AI

企业可选的强大模型不少，但真正的考验在于：构建的 AI 能否精准解决业务问题——优化工作流、利用领域知识、满足准确性和信任标准。

如今，AI 竞争力的关键越来越取决于组织如何用现有模型进行构建，而非选择哪个模型。

NVIDIA 的 Nemotron 这类开放模型，专为定制化而生——帮助企业乃至国家构建可控、可信、符合自身需求的 AI。

从使用 AI 到拥有智能

专业化 AI，例如自主智能体和应用，正是基于定制化的开放模型构建而成。这些智能体专注于做好特定任务，因为所用模型针对专业知识进行过调优，并依据真实业务结果进行评估。

这要求能直接访问模型本身。闭源模型推动了通用智能的边界，但也给企业检查、调优和改进设置了天花板。开放模型打破了这一障碍，带来完全的拥有权和控制权。

最高效的智能体 AI 应用是模型系统：开放模型与顶尖前沿模型协同工作，各司其职。高性能推理模型可处理复杂规划，而较小模型执行专门任务。这让企业能合理控制推理成本，提升特定任务准确率，并在工作流变化时保持灵活性。

企业可信赖的定制化

开放模型赋予了闭源模型无法给予的东西：完全控制权来定制、检查和改进 AI，使之贴合业务需求。公共基准衡量通用能力，但业务专属评估让团队能用自己的数据、工作流和准确率定义来测试，并持续改进。

例如，在医疗和法律行业，错误答案的代价极高，团队处理敏感数据并面临严格准确率要求。这些组织必须能洞察模型的训练方式、表现如何，并在必要时改进。

借助开放模型，团队可以检查应用、运行针对自己标准的私有评估，并搭建适配自身工作流的强化学习环境。无需将专有数据经手第三方。

各行业公司已在利用 Nemotron 进行领域专业化：

• Abridge 正在定制 Nemotron，构建首个专为临床对话设计的基础模型。
• Glean 构建了 Waldo，一个将 Nemotron 与更大闭源模型结合的智能体搜索模型，以更低延迟和更少 Token 实现企业搜索。
• H Company 通过在后训练中使用专有计算机使用数据，构建了 Holotron 3 Nano，在 OSWorld-Verified 基准上实现超过 76% 的准确率，以极低成本达到其他领先前沿模型的水平。
• Harvey 在 Nemotron 3 Ultra 上针对法律基准进行后训练，达到了前沿级准确率，复杂法律任务每次运行成本至少降低 10 倍。
• Heidi Health 在不使用前沿规模算力的情况下，在临床文档中实现了前沿质量水平。
• YTL AI Labs 针对马来语后训练了 Nemotron 模型，将本地化 AI 交到马来西亚开发者社区手中，进一步推动其 AI 能力。

微调环境与最优运行成本

定制化提升准确率。当模型针对特定任务或领域进行调优后，运行效率也会更高。

NVIDIA NeMo 这套开放库加速了模型定制与评估，以及智能体优化和治理。

Prime Intellect 和 Unsloth 等合作伙伴已帮助企业级客户在 Nemotron 上搭建后训练流水线，让大规模运行专业化 AI 成为现实。

LangChain 为 Nemotron 3 Ultra 调优了 Deep Agents 框架——调整提示词、工具和中间件，无需重新训练模型——就在开放模型中实现了顶级智能体准确率，每次运行成本比领先闭源方案低约 10 倍。

这些成本优势延伸至基础设施，确保最优可扩展性。通过在 NVIDIA Blackwell 平台上后训练 Nemotron，Arcee AI 实现了每百万输出 Token 约 0.9 美元的推理成本——比可比闭源前沿模型便宜约 20 倍——同时在 PinchBench 上排名第二，且完全开放权重。

成本节省带来更广泛的实验、更多部署和更快的迭代。

开放基础之上的生态构建

从 AI 采纳到 AI 拥有权的转变正在发生。NVIDIA Nemotron 联盟正在将开放模型发展转变为生态系统协作，汇聚模型构建者与开发者，通过共享数据、评估和领域专业知识来改进 Nemotron。此外，黑客松参赛作品和社区贡献也在各行业产出了可复用的验证资产。

构建者们正将 Nemotron 纳入自己的 AI 系统，验证价值并分享有效做法。这个基础完全开放。

（原文链接：NVIDIA Nemotron 开放模型）

---

原文链接：NVIDIA AI Blog
本文由前途科技编辑整理