NVIDIA 宣布，其开源大语言模型「Nemotron 3 Ultra」在广受欢迎的智能体开发平台 LangChain 的测试中，取得了开源模型中的最高精度[1]。LangChain 将自家的智能体运行环境「Deep Agents」针对 Nemotron 3 Ultra 进行调优后，该模型在完成与主流闭源模型相当的任务的同时，单次推理成本仅为后者的十分之一。本文将梳理这一结果的具体内容，以及 NVIDIA 借此提出的「开放式 AI 技术栈」这一理念。
不重新训练模型，只优化「使用方式」
此次成果耐人寻味之处在于，Nemotron 3 Ultra 本身并未被改动。LangChain 没有重新训练模型，而是调整了环绕模型运行的环境，即所谓的「harness（运行框架，为模型提供支撑的底层机制）」。具体而言，团队重新审视了系统提示词、工具说明文本，以及处理步骤之间的中间件[1]。
LangChain 团队首先在公开的 Deep Agents 基准上运行 Nemotron 3 Ultra，再顺着执行记录找出模型在何处失分。随后，他们没有重新训练模型，而是通过调整运行框架来提升精度。联合创始人兼首席执行官 Harrison Chase 表示，打造更好智能体的捷径是持续改进模型周围的系统，并指出当团队能够将记忆、工具使用、评估与模型行为一并调优时，效果会不断累积[1]。
调优后的配置已通过 LangChain 公开，正在将 Deep Agents 与 Nemotron 3 Ultra 结合使用的开发者可以立即上手。不过，这些数据由 NVIDIA 与 LangChain 公布，实际使用体验会因任务与条件而异，因此宜结合第三方验证来看待。
Nemotron 3 Ultra 是一款怎样的模型
Nemotron 3 Ultra 是一款总参数量达 5,500 亿的大型模型，但它采用「Mixture-of-Experts（MoE，混合专家，即按需选用多个专家模型的方式）」架构，单次处理实际启用的参数仅为 550 亿[2]。这让庞大的模型也能压低算力开销，其设计定位是充当长时间持续运行的智能体的指挥中枢。
其内部还有多项巧思。模型将擅长高效处理长上下文的「Mamba」层，与能够精确取回具体信息的传统 Transformer 层结合，构成混合架构；此外还采用名为「NVFP4」的精度格式，使一款模型可以运行在 Hopper、Blackwell、Ampere 等不同世代的 NVIDIA GPU 上[2]。据 NVIDIA 称，其处理速度最高可达同类其他开源模型的 5 倍。
开放的姿态同样明确。Nemotron 3 Ultra 连同权重（参数）、训练数据乃至训练配方（recipe）一并开放，采用 Linux 基金会制定的宽松许可证「OpenMDW-1.1」发布。用户可通过 Hugging Face、OpenRouter 以及 build.nvidia.com 获取并试用，既能在自有基础设施上运行，也能在云端运行[2]。
高举「可被拥有的 AI」旗号的开放式技术栈
NVIDIA 此次强调的并非单个模型，而是把安全运行智能体所需的一整套组件一并开放的理念。其核心是一份开放的参考蓝图「NVIDIA NemoClaw for LangChain Deep Agents」[1]。它将针对 Nemotron 3 Ultra 调优的 LangChain Deep Agents，与用于安全执行智能体动作的运行环境「NVIDIA OpenShell」结合在一起。
NVIDIA 解释称，通过备齐开源模型、开源运行框架，以及开放且安全的执行环境，企业便能够自行拥有整套机制、按业务需要加以改造，并在任何地方运行。当智能体不再只是回答问题，而是在企业核心系统内部真正动手操作时，这种「可被拥有」的价值将进一步凸显[1]。
医疗领域的 Abridge、通信软件厂商 Amdocs、内容管理企业 Box 等已开始将专用智能体嵌入自家平台。全球咨询巨头 EY 也正借助 NemoClaw 蓝图扩展其 NVIDIA 相关的落地支持。LangChain 的智能体开发平台月下载量超过 2 亿次，为其底层针对 Nemotron 3 Ultra 优化的意义不容小觑[1]。
总结
此次围绕 Nemotron 3 Ultra 的话题，可视为一个案例，说明性能与成本不仅取决于模型本身的「聪明程度」，也取决于运行模型的底层机制设计。开源模型搭配开源技术栈，在逼近主流闭源模型的同时压低成本——这一主张在日常业务中究竟能被复现到何种程度，仍有待观察。接下来，开发者与企业如何驾驭这套开放机制，将成为关注焦点。
出典:https://blogs.nvidia.com/blog/nemotron-langchain-agents-open-stack/
