英偉達近期在數(shù)學推理領域邁出了重要一步，推出了兩款專為解決復雜數(shù)學問題設計的先進AI模型——OpenMath-Nemotron-32B和OpenMath-Nemotron-14B-Kaggle。

長久以來，數(shù)學推理一直是AI技術難以攻克的難題。盡管傳統(tǒng)的語言模型在生成自然語言文本方面表現(xiàn)出色，但在面對需要深入理解抽象概念和進行多步驟邏輯推導的數(shù)學問題時，卻常常力不從心。為了解決這一挑戰(zhàn)，英偉達精心打造了這兩款新模型。

OpenMath-Nemotron-32B作為系列中的佼佼者，擁有高達328億的參數(shù)，并采用了BF16張量運算來優(yōu)化硬件效率。這款旗艦模型在多項基準測試中，如AIME 2024、AIME 2025和HMMT 2024-25，均取得了令人矚目的成績。特別是在工具集成推理（TIR）模式下，它在AIME24上的pass@1準確率高達78.4%，通過多數(shù)投票機制后，這一準確率更是飆升至93.3%。

除了強大的性能，OpenMath-Nemotron-32B還提供了多種推理模式以滿足不同需求。用戶可以選擇鏈式思維（CoT）、工具集成推理（TIR）和生成式選擇（GenSelect）三種模式，根據(jù)科研或生產(chǎn)環(huán)境的具體場景，平衡推理的透明度和答案的精確度。

另一款模型，OpenMath-Nemotron-14B-Kaggle，則是一款更為輕量級的解決方案。它擁有148億參數(shù)，專為AIMO-2 Kaggle競賽優(yōu)化設計。通過精選OpenMathReasoning數(shù)據(jù)集的子集進行微調(diào)，這款模型成功奪得了競賽的桂冠。在AIME24測試中，它在CoT模式下的pass@1準確率為73.7%，而在GenSelect模式下則提升至86.7%。這款模型在保持高質(zhì)量數(shù)學解題能力的同時，更適合資源受限或需要低延遲的場景。

英偉達為這兩款模型提供了完整的開源管道，集成于NeMo-Skills框架中。這意味著開發(fā)者可以輕松地通過示例代碼構建應用，獲取逐步解答或簡潔答案。模型還針對NVIDIA的GPU，如Ampere和Hopper架構，進行了深度優(yōu)化。利用CUDA庫和TensorRT技術，模型能夠高效運行。同時，Triton Inference Server的支持確保了低延遲、高吞吐量的部署，而BF16格式則在內(nèi)存占用與性能之間取得了完美的平衡。

這兩款新模型的推出，標志著英偉達在數(shù)學推理領域取得了重大突破。它們不僅為科研和生產(chǎn)環(huán)境提供了強大的工具，也為AI技術的發(fā)展開辟了新的道路。