Nemotron 3 Nano 30B

NVIDIA Open

NVIDIA · 30B (3B active) · MoE

مزيج خبراء بسياق مليون رمز و٣ مليارات معامل نشط. تعرّف على ما إذا كان كرت شاشتك أو جهاز الماك قادرًا على تشغيل Nemotron 3 Nano 30B محليًا — 16.8 جيجابايت كحد أدنى، و27.9 جيجابايت موصى بها.

كيف تستخدم Nemotron 3 Nano 30B في Transformers

حمّل Nemotron 3 Nano 30B في بايثون عبر مكتبة Transformers من HuggingFace. هذه الأوزان الكاملة غير المكمَّمة، فتحتاج ذاكرة أكبر من ملفات GGUF.

عبر pipeline — الطريقة الأسهل

pip install -U transformers
# Use a pipeline as a high-level helper
from transformers import pipeline

pipe = pipeline("text-generation", model="nvidia/NVIDIA-Nemotron-3-Nano-30B-A3B-BF16", trust_remote_code=True)
messages = [
    {"role": "user", "content": "Who are you?"},
]
pipe(messages)

تحميل النموذج مباشرة

pip install -U transformers
# Load model directly
from transformers import AutoTokenizer, AutoModelForCausalLM

tokenizer = AutoTokenizer.from_pretrained("nvidia/NVIDIA-Nemotron-3-Nano-30B-A3B-BF16", trust_remote_code=True)
model = AutoModelForCausalLM.from_pretrained("nvidia/NVIDIA-Nemotron-3-Nano-30B-A3B-BF16", trust_remote_code=True, device_map="auto")
messages = [
    {"role": "user", "content": "Who are you?"},
]
inputs = tokenizer.apply_chat_template(
	messages,
	add_generation_prompt=True,
	tokenize=True,
	return_dict=True,
	return_tensors="pt",
).to(model.device)

outputs = model.generate(**inputs, max_new_tokens=40)
print(tokenizer.decode(outputs[0][inputs["input_ids"].shape[-1]:]))

التوثيق الرسمي: Transformers

كيف تستخدم Nemotron 3 Nano 30B في Ollama

ينزّل Ollama النموذج ويفتح محادثة محلية بأمر واحد.

من مكتبة Ollama الرسمية

ollama run nemotron-3-nano:30b

التوثيق الرسمي: Ollama

أوامر التشغيلHuggingFaceOllamaLM Studio
2025-06سياق 1024K

MoE

إجمالي الخبراء: 128
الخبراء النشطون: 6
المعاملات النشطة: 3.0B

مستويات الـ Quantization

Quantizationالبتاتالذاكرةالجودةالحالة
Q2_K210.1GBمنخفضة—
Q3_K_M313.9GBمتوسطة—
Q4_K_M415.9GBجيدة—
Q5_K_M519.7GBجيدة—
Q6_K623.6GBممتازة—
Q8_0831.2GBممتازة—
F161662GBبلا فقد—

الأرقام تشمل الأوزان وذاكرة KV عند طول سياق 2K توكن. غيّر طول السياق من لوحة جهازك لترى أثره على الذاكرة والسرعة.

التطبيقات

شغّل Nemotron 3 Nano 30B داخل أدوات البرمجة التي تعمل بالذكاء الاصطناعي — يشغّل الأمر خادم Ollama على جهازك، يحمّل النموذج، ثم يفتح الأداة موصولة به.

  • Claude Code

    وكيل البرمجة من Anthropic، يعمل في الطرفية وداخل المحرّر

    ollama launch claude --model nemotron-3-nano:30b
  • OpenCode

    وكيل برمجة مفتوح المصدر يعمل في الطرفية داخل مستودعك

    ollama launch opencode --model nemotron-3-nano:30b
  • Codex

    وكيل البرمجة من OpenAI في سطر الأوامر

    ollama launch codex --model nemotron-3-nano:30b
  • Droid

    وكيل البرمجة من Factory، للمهام الطويلة عبر عدّة ملفات

    ollama launch droid --model nemotron-3-nano:30b
  • Hermes Agent

    وكيل برمجة مفتوح من Nous Research، بذاكرة تمتد عبر الجلسات

    ollama launch hermes --model nemotron-3-nano:30b
  • OpenClaw

    وكيل مفتوح المصدر يشغّل المهام على جهازك بلا خدمة سحابية

    ollama launch openclaw --model nemotron-3-nano:30b

تحتاج Ollama والأداة نفسها مثبَّتين. إن لم تكن الأداة مثبّتة، يرشدك الأمر إلى طريقة تثبيتها. اكتب ollama launch وحده لاختيار الأداة من قائمة.

عن هذا النموذج

الوصف الرسمي كما نشرته الجهة المطوِّرة، بلغته الأصلية.

image.png

Nemotron 3 Nano 30B

ollama run nemotron-3-nano:30b

Ollama’s Cloud

ollama run nemotron-3-nano:30b-cloud

Model Dates:

September 2025 - December 2025

Data Freshness:

  • The post-training data has a cutoff date of November 28, 2025.
  • The pre-training data has a cutoff date of June 25, 2025.

What is Nemotron?

NVIDIA Nemotron™ is a family of open models with open weights, training data, and recipes, delivering leading efficiency and accuracy for building specialized AI agents.

Nemotron 3 Nano is a large language model (LLM) trained from scratch by NVIDIA, and designed as a unified model for both reasoning and non-reasoning tasks. It responds to user queries and tasks by first generating a reasoning trace and then concluding with a final response. The model’s reasoning capabilities can be configured through a flag in the chat template. If the user prefers the model to provide its final answer without intermediate reasoning traces, it can be configured to do so, albeit with a slight decrease in accuracy for harder prompts that require reasoning. Conversely, allowing the model to generate reasoning traces first generally results in higher-quality final solutions to queries and tasks.

The model employs a hybrid Mixture-of-Experts (MoE) architecture, consisting of 23 Mamba-2 and MoE layers, along with 6 Attention layers. Each MoE layer includes 128 experts plus 1 shared expert, with 6 experts activated per token. The model has 3.5B active parameters and 30B parameters in total.

The supported languages include: English, German, Spanish, French, Italian, and Japanese. Improved using Qwen.

Reasoning Benchmark Evaluations

Task NVIDIA-Nemotron-3-Nano-30B-A3B-BF16 Qwen3-30B-A3B-Thinking-2507 GPT-OSS-20B
General Knowledge
MMLU-Pro 78.3 80.9 75.0
Reasoning
AIME25 (no tools) 89.1 85.0 91.7
AIME25 (with tools) 99.2 - 98.7
GPQA (no tools) 73.0 73.4 71.5
GPQA (with tools) 75.0 - 74.2
LiveCodeBench (v6 2025-08–2025-05) 68.3 66.0 61.0
SciCode (subtask) 33.3 33.0 34.0
HLE (no tools) 10.6 9.8 10.9
HLE (with tools) 15.5 - 17.3
MiniF2F pass@1 50.0 5.7 12.1
MiniF2F pass@32 79.9 16.8 43.0
Agentic
Terminal Bench (hard subset) 8.5 5.0 6.0
SWE-Bench (OpenHands) 38.8 22.0 34.0
TauBench V2 (Airline) 48.0 58.0 38.0
TauBench V2 (Retail) 56.9 58.8 38.0
TauBench V2 (Telecom) 42.2 26.3 49.7
TauBench V2 (Average) 49.0 47.7 48.7
BFCL v4 53.8 46.4* -
Chat & Instruction Following
IFBench (prompt) 71.5 51.0 65.0
Scale AI Multi Challenge 38.5 44.8 33.8
Arena-Hard-V2 (Hard Prompt) 72.1 49.6* 71.2*
Arena-Hard-V2 (Creative Writing) 63.2 66.0* 25.9&
Arena-Hard-V2 (Average) 67.7 57.8 48.6
Long Context
AA-LCR 35.9 59.0 34.0
RULER-100@256k 92.9 89.4 -
RULER-100@512k 91.3 84.0 -
RULER-100@1M 86.3 77.5 -
Multilingual
MMLU-ProX (avg over langs) 59.5 77.6* 69.1*
WMT24++ (en->xx) 86.2 85.6 83.2

License/Terms of Use

Governing Terms: Use of this model is governed by the NVIDIA Open Model License Agreement.

أسئلة شائعة عن تشغيل Nemotron 3 Nano 30B محليًا

هل أستطيع تشغيل Nemotron 3 Nano 30B على جهازي؟
يحتاج Nemotron 3 Nano 30B إلى 16.8 جيجابايت من الذاكرة كحد أدنى، والموصى به 27.9 جيجابايت. يكفي أن تفتح هذه الصفحة ليُقيَّم النموذج تلقائيًا أمام كرت شاشتك أو جهاز الماك، ثم تشغّله عبر Ollama أو LM Studio أو llama.cpp.
كم يحتاج Nemotron 3 Nano 30B من الـ VRAM؟
بتكميم Q4_K_M يستهلك Nemotron 3 Nano 30B نحو 15.9 جيجابايت من ذاكرة الكرت. أما المستويات الأعلى فتحتاج ذاكرة أكبر، والأدنى تناسب الكروت المحدودة مقابل تنازل في الجودة.