论文

Nemotron 3 Nano Omni:高效、开放的多模态智能

Nemotron 3 Nano Omni: Efficient and Open Multimodal Intelligence

模型训练预训练

摘要

我们推出 Nemotron 3 Nano Omni,这是 Nemotron 多模式系列中的最新型号,也是第一个原生支持音频输入以及文本、图像和视频的型号。凭借架构、训练数据和配方方面的进步,Nemotron 3 Nano Omni 在所有模式下均比其前身 Nemotron Nano V2 VL 提供了一致的精度改进。特别是,Nemotron 3 在现实世界文档理解、长音频-视频理解和代理计算机使用方面提供了领先的结果。 Nemotron 3 Nano Omni 基于高效的 Nemotron 3 Nano 30B-A3B 主干网络构建,进一步结合了创新的多模态词元缩减技术,与其他类似尺寸的模型相比,可显着降低推理延迟并提高吞吐量。我们将发布 BF16、FP8 和 FP4 格式的模型检查点以及部分训练数据和代码库,以促进进一步的研究和开发。