# NVIDIA AI 透過 Prime Intellect Lab 讓 Nemotron 3 Nano 數學任務準確率從 22% 提升至 91%

> 📖 本站完整內容索引（documentation index）：[llms.txt](/llms.txt)

> 原作者：NVIDIA AI (@NVIDIAAI) · 策展與摘要：EasyVibeCoding · 平台：X (Twitter) · 熱度：🔥🔥 · 日期：2026-07-24

> 原始來源：https://x.com/nvidiaai/status/2080323092396540136

## 證據與延伸閱讀

- [Nemotron 3 Nano 數學任務準確率從 22% 提升至 91%。](https://developer.nvidia.com/blog/start-customizing-nvidia-nemotron-3-nano-with-prime-intellect-lab-in-minutes?ncid=so-twit-860681)

## 中文摘要

NVIDIA AI 透過 Prime Intellect Lab 讓 Nemotron 3 Nano 數學任務準確率從 22% 提升至 91%。

![](https://pub-75d4fe1e4e80421b9ecb1245a7ae0d1a.r2.dev/curated/6991bf0f3c6e6264.webp)
> 一名身穿黃色上衣的3D風格人物坐在電腦前操作，前方展示著發出綠光的立方體網路模型以及傳輸數據的視覺化圖表。

NVIDIA AI 近期分享了使用 Prime Intellect Lab 進行代管式強化學習（RL）的完整流程。透過該平台，開發者能在雲端基礎設施上直接完成基準測試、模型訓練與重新評估，最終產出可下載的 LoRA adapter，且整個訓練成本控制在 5 美元以下。

<video src="https://pub-75d4fe1e4e80421b9ecb1245a7ae0d1a.r2.dev/curated/1784863649043-a1yqtnuu.mp4" poster="https://pub-75d4fe1e4e80421b9ecb1245a7ae0d1a.r2.dev/curated/ab87412c755ccb26.jpg" controls playsinline preload="metadata" style="max-width:100%;height:auto;display:block;margin:1rem 0"></video>
> 講師在畫面中示範使用 Prime Intellect Lab 平台，透過 Notebook 介面自訂並訓練 NVIDIA Nemotron-3-Nano-30B-A3B 模型。

**核心訓練流程**
- **建立基準**：透過安裝 `prime` 工具並設定 workspace，對 Nemotron 3 Nano 進行初始的 `math-python` 評估，確認基準表現。
- **配置與訓練**：建立 `configs/rl/nemotron-3-nano-math-python-100step.toml` 檔案，設定 100 個訓練步驟與相關參數，並使用 `prime train` 指令啟動代管訓練。
- **部署與回測**：訓練完成後，將產出的 LoRA adapter 部署至推論端點，再次執行評估以驗證成效。

![](https://pub-75d4fe1e4e80421b9ecb1245a7ae0d1a.r2.dev/curated/58525f5584c74915.webp)
> Nemotron 3 Nano 在 Prime Intellect Lab 進行託管式 reinforcement learning 訓練期間，獎勵值隨著訓練步數持續爬升，成功將數學任務準確率由 22% 提升至 91%。

**實測成效與擴充性**
- 經過 100 步的強化學習訓練後，在相同的 32 個測試問題上，模型的平均準確率從原本的 21.9% 大幅躍升至 90.6%。
- 此工作流程具備高度擴充性，開發者僅需修改設定檔中的模型名稱，即可將相同的流程套用到 Nemotron 3 Super 與 Ultra 等更大規模的模型上。

![](https://pub-75d4fe1e4e80421b9ecb1245a7ae0d1a.r2.dev/curated/ac2f7cd609d199cc.jpg)
> 終端機畫面顯示用於訓練名為 Nemotron 3 Nano 的數學與 Python 相關模型的指令，參數設定檔路徑為 `configs/rl/nemotron-3-nano-math-python-100step.toml`。

![](https://pub-75d4fe1e4e80421b9ecb1245a7ae0d1a.r2.dev/curated/cecbdbed91be29a6.webp)
> Nemotron 3 Nano 在測試中的獎勵分布顯示，25 個 rollout 的獎勵介於 0 至 0.2，7 個 rollout 達到 0.8 至 1.0。

![](https://pub-75d4fe1e4e80421b9ecb1245a7ae0d1a.r2.dev/curated/84f5f165cfbda839.webp)
> Nemotron 3 Nano 經強化學習訓練後的獎勵分佈顯著集中於高獎勵區間（0.8 至 1.0 共 29 次），平均獎勵達 0.906，中位數為 1.000。

## 媒體內容

**講師在畫面中示範使用 Prime Intellect Lab 平台，透過 Notebook 介面自訂並訓練 NVIDIA Nemotron-3-Nano-30B-A3B 模型。**

**影片中的 Prompt 與操作**

操作步驟：

1. @02:01 瀏覽 `customize_in_minutes.ipynb` 筆記本的實驗規劃與設定區塊
2. @03:28 檢視 Prime Intellect 平台的 `Hosted Training - Models` 模型列表與費率
3. @04:01 執行 baseline 評估並檢視評估結果
4. @05:07 執行訓練並追蹤 training logs 執行日誌
5. @05:28 部署 LoRa adapter 並檢視部署狀態
6. @05:38 重新評估 adapter 模型並對比正確率
7. OGFRAME: 06:40

**逐字稿**

- `00:00` 嘿，大家好，我是 Chris，今天我要為大家帶來一個簡單直接的教學。（Hey, what's up, Chris here, and today I have a straightforward tutorial for you.）
- `00:04` 我們要使用 Prime Intellects Lab 來客製化 Nemotron 3 Nano。（We're going to customize Nemotron 3 Nano using Prime Intellects Lab.）
- `00:09` 現在，你可能會心想，客製化不是很難嗎？（Now, you might think to yourself, customization, isn't that hard?）
- `00:12` 你知道的，那不需要用到大量的 GPU 嗎？（You know, doesn't that take a ton of the GPUs?）
- `00:14` 我要怎麼做到這點？（How am I going to do it?）
- `00:16` 客製化確實可能很難，我的意思是，特別是要做到完美，對吧？（Customization can be hard, I mean, to perfect especially, right?）
- `00:19` 決定精確的資料混合比例、如何向模型展示範例，（Deciding the exact data blend, how you show the model examples,）
- `00:23` 你知道的，透過像 RLVR 這樣的方法，也就是我們今天要使用的，（you know, with something like RLVR, which is what we're going to use today,）
- `00:27` 也就是帶有可驗證回饋的強化學習。（reinforcement learning with verifiable rewards.）
- `00:29` 你必須思考，像是，我要如何向模型展示範例？（You have to think about, like, how do I show the model examples?）
- `00:33` 所有這些，針對你的應用情境來說，都是需要花費時間和心力的，對吧？（All that is something that takes time and effort, right, for your use case.）
- `00:39` 然而，客製化的底層機制，也就是實際執行作業、（However, the mechanics of customization, the actual running of the jobs）
- `00:44` 載入檢查點以及管理 GPU，（and loading of checkpoints and managing of GPUs,）
- `00:48` 多虧了像 Prime Intellect 這樣團隊的努力，其實變得超級簡單。（thanks to people like Prime Intellect, is actually super easy.）
- `00:52` 事實上，這從未如此簡單過。（It's, in fact, never been easier.）
- `00:54` 所以我們要展示的是在數學 Python 環境中，（So what we're going to showcase is an example of customizing Nemotron 3 Nano）
- `01:00` 客製化 Nemotron 3 Nano 的範例。（on a math Python environment.）
- `01:03` 而這裡的概念很簡單，對吧？（And the idea here is simple, right?）
- `01:05` Nano 將會嘗試使用工具來解決數學問題。（Nano is going to try to use tools to solve math questions.）
- `01:10` 不過，我們會為 Nano 增加一點挑戰性。（We're going to make it a little bit trickier for Nano, though.）
- `01:12` 我們會要求它做到這點，並且在五個回合之內完成，對吧？（We're going to ask it to do this and stay within five turns, right?）
- `01:17` 所以一個回合就像是使用者與模型所產生的任何內容之間的（So a turn is like one back and forth between the user）
- `01:20` 一次來回互動。（and whatever it is that the model has come up with.）
- `01:23` 而我們的想法是，希望 Nano 學會如何快速解決這些問題。（And the idea is we want Nano to learn how to solve these questions quickly.）
- `01:27` 所以我們不希望 Nano 滔滔不絕地去做各種瘋狂的事情。（So we don't want Nano to kind of go on and about to do all kinds of crazy stuff.）
- `01:34` 我們希望它能快點回答問題。（We want to kind of get it to answering the question quickly.）
- `01:37` 你將會在教學的過程中看到，我們能夠做到這一點。（And you'll see over the course of the tutorial that we're able to do that.）
- `01:40` 而且我們能夠做得超級快且相對容易，再說一次，這要歸功於像 Lab 這樣的服務。（And we're able to do it super quickly and relatively easily, again, thanks to services like Lab.）
- `01:47` 所以讓我們直接切入筆記本，看看我們將如何拉開序幕，（So let's just jump into the notebook, see how we're going to kick things off,）
- `01:51` 然後我們會在最後看看實際的結果。（and then we'll look at the actual results at the end.）
- `01:53` 再說一次，客製化要做到完美依然很難，但要開始入門，卻從未如此簡單。（Again, customization is still hard to perfect, but to get started, it has never been easier.）
- `01:59` 讓我們來看看筆記本。（Let's see the notebook.）
- `02:00` 好的。（All right.）
- `02:01` 所以在我們的筆記本中，我們大致有了要做什麼的概念，（So in our notebook, we have kind of the idea of what we're going to do,）
- `02:04` 也就是我們將為我們的模型建立基準。（which is we're going to baseline our model.）
- `02:06` 我們將執行一些託管式的 RLVR。（We're going to do some hosted RLVR.）
- `02:08` 我們將取得一個 LoRA 配接器，然後我們將使用這個配接器重新評估模型。（We're going to get a LoRa adapter, and then we're going to re-evaluate the model with this adapter.）
- `02:14` 所有這些，再說一次，都是我們已經探討過很多次的內容。（All of this, again, is something that we've covered a bunch of times.）
- `02:19` 你可以在隨附的部落格文章中找到關於我們究竟是如何做到這一點的資源。（You can find resources on exactly how we did this in the accompanying blog.）
- `02:25` 但基本的概念相當簡單，對吧？（But the basic idea is pretty straightforward, right?）
- `02:28` 而且開始使用的對應方法甚至更加簡單。（And the way to get started is even more straightforward.）
- `02:31` 所以讓我們首先來設定 Prime Intellect Lab。（So let's first just set up Prime Intellect Lab.）
- `02:33` 如你所見，我們只需要設定幾件事情。（As you can see, just a few things that we have to set up.）
- `02:37` 你必須確保你擁有一個 Prime Intellect Lab 帳號，（You have to make sure that you have a Prime Intellect Lab account,）
- `02:41` 並且你已經註冊，且有一些可用點數。（and you have signed up, have some credits available.）
- `02:44` 然後我們將定義我們的實驗。（Then we're going to define our experiment.）
- `02:46` 所以我們將從 Nemotron 3 Nano、30B、A3B 開始，如你在此處所見。（So we're going to start with Nemotron 3, Nano, 30B, A3B, as you can see here.）
- `02:51` 並且我們將從我們的環境開始，也就是這個 Math Python 環境。（And we're going to start with our environment, which is this Math Python environment.）
- `02:55` 我們將設定這個關鍵的評估引數，（We're going to set this critical eval arg,）
- `02:59` 也就是基本上在說明你最多只有五個回合。（which is basically saying you have a maximum of five turns.）
- `03:02` 如果你在五個回合內沒有得到答案，你就失敗了，對吧？（If you don't get to the answer in five turns, you fail the task, right?）
- `03:07` 所以這裡的基本概念是，我們想讓 Nano 開始能夠更可靠、更快地完成這件事。（So the basic idea here is we want Nano to start to be able to do this more reliably, more quickly.）
- `03:14` 我們將給它一堆 token 來操作，（We're going to give it a bunch of tokens to play with,）
- `03:16` 並且我們將在這裡為模型使用建議的溫度參數。（and we're going to use the recommended temperature for the model here.）
- `03:19` 這就是我們實際的訓練環境所需做的一切。（And that's all we have to do for our actual training environment.）
- `03:26` 所以我們進入下一步。（So let's go to the next step.）
- `03:27` 我們可以檢查並看看我們有哪些適用於 Prime 的模型。（We can check and see what models we have available for Prime.）
- `03:31` 當然，我們這個範例將使用 Nemotron 3 Nano。（Of course, we're going to be using Nemotron 3, Nano, for this example.）
- `03:34` 但你也可以使用 Super，並且你可以請求存取 NVFP4 中託管的 Ultra。（But you could also use Super, and you can request access to the hosted Ultra in NVFP4.）
- `03:41` 再次透過 Prime Intellect，你知道的，你可以看到一些成本。（Again, through Prime Intellect, you know, you can see some costs here.）
- `03:46` 我們可以看到，你知道的，訓練模型實際會花費我們多少錢。（We can see, you know, how much it's going to actually cost us to train the model.）
- `03:50` 而且還算不錯，對吧？（And it's not bad, right?）
- `03:51` 這些是每一百萬個的價格，你知道的。（These are per one million, you know, prices.）
- `03:55` 所以每百萬個 token 60 美分真得很經濟實惠。（So 60 cents per million tokens is really affordable.）
- `03:59` 我們進入下一步。（Let's go to the next step.）
- `04:01` 我們要做第一件事其實是執行基準測試。（First thing we're going to do is actually run a baseline.）
- `04:04` 我們這樣做的原因是因為我們想要看看我們的實際模型，你知道的，是從哪裡開始的，對吧？（And the reason that we do this is we want to kind of see where our actual, you know, model starts from, right?）
- `04:12` 我們想要識別它是如何開始的。（We want to identify how it starts.）
- `04:15` 稍後我們將看一張圖表，這將有助於我們更輕鬆地理解這一點。（And we're going to look at a chart that's going to help us understand this a little bit easier later on.）
- `04:20` 但就目前而言，你可以看到，我們從一種中等的獎勵開始，對吧？（But for right now, you can see, like, we start with kind of like a middling reward, right?）
- `04:24` 所以 37 並不算太好。（So 37 is not great.）
- `04:28` 因此，獎勵是二元的。（So the reward is binary.）
- `04:29` 我們要麼得到 1，要麼得到 0。（We either get a one or we get a zero.）
- `04:31` 所以 37 意味著我們的失敗次數多於成功次數。（So 37 means we're failing more than we're succeeding.）
- `04:35` 因此，為了訓練我們的模型，我們實際需要做的唯一事情就是建立這個設定檔。（So the only thing we actually have to do in order to train our model is build this config.）
- `04:39` 我們將使用 Prime 建議的預設值。（We're going to use the defaults that Prime recommends.）
- `04:43` 你可以花很多時間在這裡摸索。（You can spend a lot of time playing around here.）
- `04:47` 而且，這也是客製化藝術發揮作用的地方。（And, again, this is kind of where the art of customization comes in.）
- `04:52` 所以我們使用這個範例來展示，你知道的，客製化的機制。（So we're using this example to showcase, you know, the mechanics of customization.）
- `04:57` 但你可以在這些設定中花費大量時間來弄清楚什麼才真正適合你實際的，你知道的，期望的工作流程。（But you can spend a lot of time in these settings figuring out exactly what's correct for your actual, you know, desired workflow.）
- `05:06` 所以我們啟動排程。（So we kick the job off.）
- `05:08` 然後你可以看到我們開始訓練了。（And then you can see that we start training.）
- `05:11` 並且 Prime 讓我們能夠持續關注，以便我們能隨時掌握最新情況，了解正在發生什麼事、我們的損失函數如何變化、我們的獎勵如何變化。（And Prime lets us follow along so that we can keep up to date on what's happening, how our loss is changing, how our reward is changing.）
- `05:20` 基本上，我們觀察這個過程直到完成，然後我們準備進行部署和重新評估。（Basically, we watch this until it's done, and then we get ready to deploy and reevaluate.）
- `05:28` 基本上，我們可以找到我們的配接器 ID，然後我們就可以部署它。（Basically, we can find our adapter ID, and then we can deploy it.）
- `05:33` 一旦部署完成，我們就可以繼續進行重新評估。（Once we've deployed it, we can go ahead and reevaluate it.）
- `05:37` 為了保持公平，我們將以評估基準測試相同的方式來重新評估它。（In order to keep things fair, we're going to reevaluate it the same way that we evaluated it.）
- `05:41` 你可以看到平均獎勵的增加相當顯著。（And you can see that the increase in average reward is pretty significant.）
- `05:45` 而且這僅僅是在 100 個訓練步驟之後，對吧？（And this is over only 100 steps of training, right?）
- `05:48` 這個模型顯然學會了如何更好地完成這項任務，也就是說，再次強調，是在更短的回合內解決這些 Python 數學問題，對吧？（The model clearly learned how to do this task better, which, again, was kind of solving these Python math problems in shorter turns, right?）
- `05:59` 所以它不一定是在學習用 Python 更好地理科數學。（So it wasn't learning to do math with Python better, necessarily.）
- `06:03` 它是在學習如何更快地做到這點，這真是太棒了。（It was learning how to do it quicker, which is awesome.）
- `06:06` 最後，我們可以看一看這些東西並排比較時的更全面概念。（And then finally, we can look at kind of a more comprehensive idea of what these things look like side by side.）
- `06:12` 所以你可以看到基準測試和配接器出來的結果。（So you can see what the baseline and then the adapter came out with.）
- `06:17` 我們可以看到我們將一堆錯誤的結果變成了正確的。（We can see that we flipped a bunch of incorrects to corrects.）
- `06:21` 我們沒有失去任何正確的結果，而且其中有幾個我們仍然無法解決。（We didn't lose any corrects, and a few of them we weren't able to solve still.）
- `06:27` 但這就是這個概念。（But this is the idea.）
- `06:28` 在 100 個步驟內，我們能夠做到所有這些，而且成本不到 5 美元，對吧？（In 100 steps, we're able to do all of this, and it costs less than $5, right?）
- `06:33` 所以相當不錯。（So pretty good.）
- `06:34` 但現在讓我們來看看實際的訓練圖表，看看情況如何。（But let's look at the actual training charts now and see how things went.）
- `06:40` 大家好。（All righty.）
- `06:40` 所以在像 Prime 這樣的平台上進行這項操作的好處之一，就是我們實際上能夠查看並視覺化其中一些結果，讓大家能非常清楚且明顯地看到發生了什麼事。（So one of the benefits of doing this on a platform like Prime is that we actually have the ability to look at and visualize some of these results to make it, like, really clear and evident what's happening.）
- `06:52` 所以我們首先看到的是基準評估。（So first thing we're looking at is the baseline evaluation.）
- `06:55` 你可以看到，我們表現得並不好。（You can see, like, we're not nailing it.）
- `06:57` 我們錯了 22 個，答對了 10 個。（We're 22 wrong, 10 correct.）
- `06:58` 這可不太好。（That's not good.）
- `06:59` 我的意思是，眾所週知，這確實不好。（I mean, famously, that's not good.）
- `07:01` 如果我們看一下其中一個 prompt 的範例，我們可以發現，它確實答對了一些，而且當它得到最後的回應時，它是正確的，對吧？（If we look at kind of an example of one of these prompts, we can see, like, it's getting some correctly, and it's getting them correctly when it gets to the final response, right?）
- `07:10` 但在像這樣的範例中，我們就是一直無法達到那個結果。（But in examples like this, we just kind of never get there.）
- `07:12` 我們達到了回合限制，然後失敗了。（We hit the term limit, and we fail out.）
- `07:14` 所以這就是這個概念。（So this is the idea.）
- `07:16` 這就是我們希望在整個訓練過程中學到的東西。（This is what we're hopefully going to learn over the course of training.）
- `07:20` 因此，如果我們前往我們的訓練執行，你可以看到它實際上運行了 100 個步驟。（So if we go to our training run, you can actually see it ran for 100 steps.）
- `07:24` 你知道的，它花了一個小時又 45 分鐘。（You know, it took an hour and 45 minutes.）
- `07:27` 就是這樣。（That's it.）
- `07:27` 你可以看到獎勵看起來真的很不錯，對吧？（And you can see the reward looks real nice, right?）
- `07:31` 獎勵上升了。（Reward go up.）
- `07:31` 我們很樂見這點。（We love that.）
- `07:32` 如果我們看一下回合數，你可以看到一個類似鏡像的圖表，對吧，我們可以看到，喔，你看這個。（And if we look at the number of turns, you can see a kind of mirrored chart, right, where we see, oh, look at this.）
- `07:38` 回合數下降了。（Turns go down.）
- `07:39` 模型已經學會在這樣的回合預算內工作，以產生最後的回應，對吧？（The model has learned to work within this turn budget to produce the final response, right?）
- `07:44` 所以這正是我們預期會發生的事，而且它真的發生了。（So this is kind of what we expected to happen, and it does happen.）
- `07:49` 而且，再說一次，我們可以把所有這些都視覺化。（And, again, we can visualize all of this.）
- `07:52` 這裡有大量的內容可以視覺化，對吧？（And there's a ton to visualize, right?）
- `07:53` 如果我們想要深入查看並理解我們的訓練，這裡有許多圖表可以瀏覽。（There's a lot of charts that we can look through here if we want to look and understand our training really deeply.）
- `07:59` 最後，我們有了最終評估，也就是說，我們表現得非常出色。（And then, finally, we have our final evaluation, which is, you know, we're nailing it.）
- `08:05` 所以這是針對適配器的，也就是我們用 LVR 訓練的 LoRA 適配器。（So this is on the adapter, so the LoRa adapter that we trained with our LVR.）
- `08:09` 你可以看到，當我們檢查答案時，它們的表現好多了。（And you can see, like, when we look at the answers, they're doing much better.）
- `08:13` 就像你知道的，我們看到這種情況，工具呼叫仍然在發生，但它們發生的頻率沒那麼激進了。（Like, you know, we're seeing this kind of, you know, tool calls are still happening, but they're happening less aggressively.）
- `08:21` 我們不需要連續呼叫六、七個工具了，對吧？（We don't have to call six, seven tools in a row, right?）
- `08:23` 這就是我們所做的任務以及我們所做的訓練的核心概念。（And this is the idea of the tasks that we did and the training that we did.）
- `08:28` 教學的這部分就到這裡結束。（And that's the end of this part of the tutorial.）
- `08:31` 非常感謝大家觀看教學。（Thanks so much for watching the tutorial, guys.）
- `08:33` 如果你想了解更多，可以查看下方的連結。（If you want to learn more, you can check out the links down below.）
- `08:36` 我們有大量的資源，更深入地探討什麼是 RL、我們是如何進行的，以及各種優秀的資源，（We have a ton of resources that go more in-depth on what RL is, how we do it, all kinds of great resources,）
- `08:45` 還有與這支影片配套的部落格文章。（as well as the blog that this video is companion to.）
- `08:48` 非常感謝大家的觀看，我們在下一個影片見。（So thank you so much for watching, and we will see you in the next one.）

**Nemotron 3 Nano 在測試中的獎勵分布顯示，25 個 rollout 的獎勵介於 0 至 0.2，7 個 rollout 達到 0.8 至 1.0。**

**數據表**

| 項目 | 數值 |
| --- | --- |
| mean | 0.219 |
| median | 0.000 |
| Reward 0.0-0.2 | 25 |
| Reward 0.8-1.0 | 7 |

**Nemotron 3 Nano 在 Prime Intellect Lab 進行託管式 reinforcement learning 訓練期間，獎勵值隨著訓練步數持續爬升，成功將數學任務準確率由 22% 提升至 91%。**

**數據表**

|   | 起始 | 最佳 | 結束 |
| --- | --- | --- | --- |
| Reward (原始值) | 0.13 | 0.98 | 0.62 |
| Reward (平滑值) | 0.13 | 0.62 | 0.62 |

**Nemotron 3 Nano 經強化學習訓練後的獎勵分佈顯著集中於高獎勵區間（0.8 至 1.0 共 29 次），平均獎勵達 0.906，中位數為 1.000。**

**數據表**

| 項目 | 數值 |
| --- | --- |
| mean | 0.906 |
| median | 1.000 |
| Reward 0.0-0.2 | 3 |
| Reward 0.8-1.0 | 29 |

## 標籤

Benchmark, 功能更新, 研究論文, NVIDIA, Prime Intellect Lab