大語言模型（LLM）正在徹底變革數據科學，帶來自然語言理解、AI 和機器學習的高級功能。為洞悉特定領域而定制的自定義 LLM 在企業應用中越來越受到青睞。

NVIDIA Nemotron-3 8B系列基礎模型是一套功能強大的全新工具，可用于為企業構建生產就緒生成式 AI 應用，從而推動從客服 AI 聊天機器人到尖端 AI 產品的各種創新。

這些新的基礎模型現已加入NVIDIA NeMo。這個端到端框架用于構建、自定義和部署專為企業定制的 LLM。企業現在可以使用這些工具快速且經濟高效地大規模開發 AI 應用。這些應用可在云端、數據中心以及 Windows PC 和筆記本電腦上運行。

Nemotron-3 8B 系列現已在 Azure AI Model 目錄、HuggingFace 和NVIDIA NGC 目錄上的NVIDIA AI Foundation Model中心提供。該系列包含基本模型、聊天模型和問答（Q&A）模型，可解決各種下游任務。表 1 列出了該系列的所有模型。

表 1. Nemotron-3 8B 系列基礎模型支持多種 LLM 用例

設計用于生產的基礎模型

基礎模型是強大的構建模塊，它減少了構建實用的自定義應用所需的時間和資源。然而，企業機構必須確保這些模型符合其具體需求。

NVIDIA AI Foundation Models 基于來源可靠的數據集訓練而成，集合了無數聲音和體驗。嚴格監控確保了數據的真實性，并符合不斷變化發展的法律規定。任何出現的數據問題都會迅速得到解決，確保企業的 AI 應用既符合法律規范，又能保護用戶隱私。這些模型既能吸收公開數據集，也能兼容專有數據集。

Nemotron-3-8B 基本模型

Nemotron-3-8B 基本模型是一種用于生成類人文本或代碼的緊湊型高性能模型。該模型的 MMLU 5 樣本平均值為 54.4。該基本模型還精通 53 種語言，包括英語、德語、俄語、西班牙語、法語、日語、中文、意大利語和荷蘭語，因此能滿足跨國企業對多語言能力的需求。該基本模型還經過 37 種不同編碼語言的訓練。

Nemotron-3-8B 聊天模型

該套件還添加了 Nemotron-3-8B 聊天模型，用于 LLM 驅動的聊天機器人交互。Nemotron-3-8B 聊天模型有三個版本，每個版本均針對特定用戶的獨特調整而設計：

• 監督微調（SFT）

• 人類反饋強化學習（RLHF）

• NVIDIA SteerLM（https://blogs.nvidia.com/blog/2023/10/11/customize-ai-models-steerlm/）

Nemotron-3-8B-SFT 模型是指令微調的第一步，我們在此基礎上建立了 RLHF 模型，該模型是 8B 類別中 MT-Bench 分數最高的模型（MT-Bench 是最常用的聊天質量指標）。用戶可以從使用 8B-chat-RLHF 開始，以獲得最佳的即時聊天互動效果。但對于希望與最終用戶的偏好保持一致的企業，可以在使用 SFT 模型的同時，應用自己的 RLHF。

最后，最新的對齊方法 SteerLM 為訓練和自定義推理 LLM 提供了新的靈活性。借助 SteerLM，用戶可以定義其所需的所有屬性，并將其嵌入單個模型中，然后就可以在該模型運行時為特定用例選擇其所需的組合。

這種方法支持持續的改進周期。自定義模型響應可以作為未來訓練的數據，從而將模型的實用性提升到新的水平。

Nemotron-3-8B 問答模型

Nemotron-3-8B-QA 模型是一個問答（QA）模型，該模型在大量數據基礎上針對目標用例進行微調。

Nemotron-3-8B-QA 模型的性能一流，在 Natural Questions 數據集（https://ai.google.com/research/NaturalQuestions/）上實現了 41.99% 的零樣本 F1 分數。該指標用于衡量生成的答案與問答中真實答案的相似程度。

Nemotron-3-8B-QA 模型已與其他參數規模更大的先進語言模型進行了對比測試。測試是在 NVIDIA 創建的數據集以及 Natural Questions 和 Doc2Dial 數據集上進行的。結果表明，該模型具有良好的性能。

使用 NVIDIA NeMo 框架

構建自定義 LLM

NVIDIA NeMo 通過為多種模型架構提供端到端功能和容器化方案，簡化了構建自定義企業生成式 AI 模型的路徑。借助 Nemotron-3-8B 系列模型，開發者就可以使用 NVIDIA 提供的預訓練模型，這些模型可以輕松適應特定用例。

快速模型部署

使用 NeMo 框架時，無需收集數據或設置基礎架構。NeMo 精簡了這一過程。開發者可以自定義現有模型，并將其快速部署到生產中。

最佳模型性能

此外，它還與NVIDIA TensorRT-LLM開源庫和NVIDIA Triton 推理服務器無縫集成，前者可優化模型性能，后者可加速推理服務流程。這種工具組合實現了最先進的準確性、低延遲和高吞吐量。

數據隱私和安全

NeMo 可實現安全、高效的大規模部署，并符合相關安全法規規定。例如，如果數據隱私是業務的關鍵問題，就可以使用NeMo Guardrails在不影響性能或可靠性的情況下安全存儲客戶數據。

總之，使用 NeMo 框架構建自定義 LLM 是在不犧牲質量或安全標準的情況下、快速創建企業 AI 應用的有效方法。它為開發者提供了自定義靈活性，同時提供了大規模快速部署所需的強大工具。

開始使用 Nemotron-3-8B

您可以使用 NeMo 框架在 Nemotron-3-8B 模型上輕松運行推理，該框架充分利用 TensorRT-LLM 開源庫，可在NVIDIA GPU上為高效和輕松的 LLM 推理提供高級優化。它內置了對各種優化技術的支持，包括：

• KV caching

• Efficient Attention modules (including MQA, GQA, and Paged Attention)

• In-flight (or continuous) batching

• 支持低精度（INT8/FP8）量化以及其他優化

NeMo 框架推理容器包含在 NeMo 模型（如 Nemotron-3-8B 系列）上應用 TensorRT-LLM 優化所需的所有腳本和依賴項，并將它們托管在 Triton 推理服務器上。部署完成后，它可以開放一個端點，供您發送推理查詢。

在 Azure ML 上的部署步驟

Nemotron-3-8B 系列模型可在 Azure ML 模型目錄中獲得，以便部署到 Azure ML 管理的端點中。AzureML 提供了易于使用的“無代碼部署”流程，使部署 Nemotron-3-8B 系列模型變得非常容易。該平臺已集成了作為 NeMo 框架推理容器的底層管道。

圖 1. 在 Azure ML 中選擇實時端點

如要在 Azure ML 上部署 NVIDIA 基礎模型并進行推理，請按照以下步驟操作：

1. 登錄 Azure 賬戶：https://portal.azure.com/#home

2. 導航至 Azure ML 機器學習工作室

3. 選擇您的工作區，并導航至模型目錄

NVIDIA AI Foundation 模型可在 Azure 上進行微調、評估和部署，還可以在 Azure ML 中使用 NeMo 訓練框架對這些模型進行自定義。NeMo 框架由訓練和推理容器組成，已集成在 AzureML 中。

如要微調基本模型，請選擇您喜歡的模型變體，單擊“微調”，填寫任務類型、自定義訓練數據、訓練和驗證分割以及計算集群等參數。

如要部署該模型，請選擇您喜歡的模型變體，單擊“實時端點”，選擇實例、端點和其他用于自定義部署的參數。單擊“部署”，將推理模型部署到端點。

Azure CLI 和 SDK 支持也可用于在 Azure ML 上運行微調作業和部署。詳細信息請參見“Azure ML 中的 Foundation Models”文檔。

在本地或其他云上的部署步驟

Nemotron-3-8B 系列模型具有獨特的推理請求提示模板，建議將其作為最佳實踐。但由于它們共享相同的基本架構，因此其部署說明很相似。

有關使用 NeMo 框架推理容器的最新部署說明，參見：https://registry.ngc.nvidia.com/orgs/ea-bignlp/teams/ga-participants/containers/nemofw-inference。

為了演示，讓我們部署 Nemotron-3-8B-Base-4k。

1. 登錄 NGC 目錄，獲取推理容器。

# log in to your NGC organization
docker login nvcr.io


# Fetch the NeMo framework inference container
docker pull nvcr.io/ea-bignlp/ga-participants/nemofw-inference:23.10

2. 下載 Nemotron-3-8B-Base-4k 模型。8B 系列模型可在 NGC 目錄和 Hugging Face 上獲得，您可以選擇其中一個下載模型。

NVIDIA NGC

從 NGC 下載模型最簡單的方法是使用 CLI。如果您沒有安裝 NGC CLI，請按照入門指南（https://docs.ngc.nvidia.com/cli/cmd.html#getting-started-with-the-ngc-cli）進行安裝和配置。

# Downloading using CLI. The model path can be obtained from it’s page on NGC
ngc registry model download-version "dztrnjtldi02/nemotron-3-8b-base-4k:1.0"

Hugging Face Hub

以下指令使用的是 git-lfs，您也可以使用 Hugging Face 支持的任何方法下載模型。

git lfs install
git clone https://huggingface.co/nvidia/nemotron-3-8b-base-4knemotron-3-8b-base-4k_v1.0

3.在交互模式下運行 NeMo 推理容器，安裝相關路徑

# Create a folder to cache the built TRT engines. This is recommended so they don’t have to be built on every deployment call. 
mkdir -p trt-cache


# Run the container, mounting the checkpoint and the cache directory
docker run --rm --net=host 
                     --gpus=all 
                     -v $(pwd)/nemotron-3-8b-base-4k_v1.0:/opt/checkpoints/  
                     -v $(pwd)/trt-cache:/trt-cache  
                     -w /opt/NeMo 
                     -it nvcr.io/ea-bignlp/ga-participants/nemofw-inference:23.10 bash

4. 在 Triton 推理服務器上使用 TensorRT-LLM 后端轉換并部署該模型。

python scripts/deploy/deploy_triton.py 
                     --nemo_checkpoint /opt/checkpoints/Nemotron-3-8B-Base-4k.nemo 
                     --model_type="gptnext" 
                     --triton_model_name Nemotron-3-8B-4K 
                     --triton_model_repository /trt-cache/ 
                     --max_input_len 3000 
                     --max_output_len 1000 
                     --max_batch_size 2

當該指令成功完成后，就會顯示一個可以查詢的端點。讓我們來看看如何做到這一點。

運行推理的步驟

有幾種運行推理的方法可供選擇，取決于您希望如何集成該服務：

1. 使用 NeMo 框架推理容器中的 NeMo 客戶端 API

2. 使用 PyTriton 在您的環境中創建一個客戶端應用

3. 鑒于所部署的服務會開放一個 HTTP 端點，使用任何可以發送 HTTP 請求的程序資源庫/工具。

選項 1（使用 NeMo 客戶端 API）的示例如下。您可以在同一臺設備上的 NeMo 框架推理容器中使用，也可以在能訪問服務 IP 和端口的不同設備上使用。

from nemo.deploy import NemoQuery


# In this case, we run inference on the same machine
nq = NemoQuery(url="localhost:8000", model_name="Nemotron-3-8B-4K")


output = nq.query_llm(prompts=["The meaning of life is"], max_output_token=200, top_k=1, top_p=0.0, temperature=0.1)
print(output)

其他選項示例可以在該推理容器的 README 中找到。

8B 系列模型指令

NVIDIA Nemotron-3-8B 系列中的模型：所有 NVIDIA Nemotron-3-8B 數據集共享預訓練基礎，但用于調優聊天（SFT、RLHF、SteerLM）和問答模型的數據集是根據其特定目的自定義的。此外，構建上述模型還采用了不同的訓練技術，因此這些模型在使用與訓練模板相似的定制指令時最為有效。

這些模型的推薦指令模板位于各自的模型卡上。

例如，以下是適用于 Nemotron-3-8B-Chat-SFT 和 Nemotron-3-8B-Chat-RLHF 模型的單輪和多輪格式：

指令和回復字段與輸入內容相對應。下面是一個使用單輪模板設置輸入格式的示例。

PROMPT_TEMPLATE = """System
{system}
User
{prompt}
Assistant
"""
system = ""
prompt = "Write a poem on NVIDIA in the style of Shakespeare"


prompt = PROMPT_TEMPLATE.format(prompt=prompt, system=system)
print(prompt)

注意：對于 Nemotron-3-8B-Chat-SFT 和 Nemotron-3-8B-Chat-RLHF 模型，我們建議保持系統提示為空。

進一步訓練和自定義

NVIDIA Nemotron-3-8B 模型系列適用于針對特定領域數據集的進一步定制。對此有幾種選擇，例如繼續從檢查點進行預訓練、SFT 或高效參數微調、使用 RLHF 校準人類演示或使用 NVIDIA 全新 SteerLM 技術。

NeMo 框架訓練容器提供了上述技術的易用腳本。我們還提供了各種工具，方便您進行數據整理、識別用于訓練和推理的最佳超參數，以及在您選擇的硬件（本地 DGX 云、支持 Kubernetes 的平臺或云服務提供商）上運行 NeMo 框架的工具。

更多信息，參見 NeMo 框架用戶指南（https://docs.nvidia.com/nemo-framework/user-guide/latest/index.html）或容器 README（https://registry.ngc.nvidia.com/orgs/ea-bignlp/containers/nemofw-training）。

Nemotron-3-8B 系列模型專為各種用例而設計，不僅在各種基準測試中表現出色，還支持多種語言。

GTC 2024 將于 2024 年 3 月 18 至 21 日在美國加州圣何塞會議中心舉行，線上大會也將同期開放。點擊“閱讀原文”或掃描下方海報二維碼，立即注冊 GTC 大會。