Nemotron-4 340B 是針對 NVIDIA NeMo 和 NVIDIA TensorRT-LLM 優(yōu)化的模型系列，該系列包含最先進的指導和獎勵模型，以及一個用于生成式 AI 訓練的數據集。

NVIDIA 于近日發(fā)布Nemotron-4 340B。開發(fā)者可以使用這組開源模型生成用于訓練大語言模型（LLM）的合成數據，訓練出的 LLM 可用于醫(yī)療、金融、制造、零售等各個行業(yè)的商業(yè)應用。

高質量的訓練數據對于自定義 LLM 的性能、準確性和回答質量來說至關重要，但強大的數據集通常非常昂貴且難以獲得。

通過獨樹一幟的開源模型許可證，Nemotron-4 340B 為開發(fā)者提供了一種免費、可擴展的合成數據生成方法，幫助他們構建強大的 LLM。

Nemotron-4 340B 系列包含基礎模型、指導模型和獎勵模型，由它們組成的流水線能夠生成用于訓練和完善 LLM 的合成數據。為了能夠與NVIDIA NeMo協(xié)同工作，這些模型專門進行了優(yōu)化。NVIDIA NeMo 是一個適用于端到端模型訓練的開源框架，涵蓋數據管護、定制、評估等步驟。該系列模型還針對開源NVIDIA TensorRT-LLM庫的推理進行了優(yōu)化。

Nemotron-4 340B 現已可以從NVIDIA NGC目錄和 Hugging Face 下載。開發(fā)者很快就能在 ai.nvidia.com 上訪問這些模型，它們將被打包成帶有標準應用編程接口的NVIDIA NIM微服務，可在任意位置進行部署。

將 Nemotron 用于生成合成數據

在難以獲得大型多樣化標記數據集的情況下，這些 LLM 可以幫助開發(fā)者生成合成訓練數據。

Nemotron-4 340B Instruct模型可生成各種模擬現實世界數據特征的合成數據，通過提高數據質量，增強自定義 LLM 在各個領域的性能和穩(wěn)健性。

隨后，為了提高 AI 生成數據的質量，開發(fā)者可以使用Nemotron-4 340B Reward模型來篩選高質量的回答。Nemotron-4 340B Reward 模型根據五個方面對回答進行評分，這五個方面分別是：有用性、正確性、連貫性、復雜性和冗長性。該模型目前在 AI2 專為評估獎勵模型能力、安全性和缺陷而創(chuàng)建的“Hugging Face RewardBench 排行榜”上排名第一。

在這個合成數據生成流水線中，（1）Nemotron-4 340B Instruct 模型首先生成基于文本的合成輸出。然后來到評估模型，

（2）Nemotron-4 340B Reward 模型對生成的文本進行評估，并提供指導反復改進的反饋，確保合成數據準確、相關且符合特定要求。

研究者還可以使用自己的專有數據，并結合隨附的HelpSteer2 數據集自定義 Nemotron-4 340B Base 模型，創(chuàng)造出自己的指導或獎勵模型。

使用 NeMo 進行微調

并使用 TensorRT-LLM 優(yōu)化推理

開發(fā)者可以使用開源的 NVIDIA NeMo 和 NVIDIA TensorRT-LLM 提高其指導和獎勵模型的效率，以便生成合成數據并對回答進行評分。

所有 Nemotron-4 340B 模型均使用 TensorRT-LLM 優(yōu)化，能夠利用張量并行性，這是一種模型并行技術，通過將單個權重矩陣分割到多個 GPU 和服務器上，實現大規(guī)模的高效推理。

Nemotron-4 340B Base在 9 萬億個 token 上訓練而成。可使用 NeMo 框架對它進行自定義，使其適應特定的用例或領域。這一微調過程得益于大量的預訓練數據，使模型能夠針對特定的下游任務提供更加準確的輸出。

NeMo 框架提供多種自定義方法，包括有監(jiān)督的微調和各種參數高效微調方法，比如低秩自適應（LoRA）。

為了提升模型質量，開發(fā)者可以使用NeMo Aligner以及由 Nemotron-4 340B Reward 模型注釋的數據集對齊模型。校準是 LLM 訓練過程中的一個關鍵步驟。在該步驟中，模型的行為通過人類反饋強化學習（RLHF）等算法進行微調，以保證其輸出結果安全、準確、符合上下文并與其預期目標一致。

尋求企業(yè)級支持和生產環(huán)境安全性的企業(yè)也可以通過NVIDIA AI Enterprise云原生軟件平臺訪問 NeMo 和 TensorRT-LLM。該平臺為生成式 AI 基礎模型提供更加快速和高效的運行時。

評估模型安全性并開始使用

Nemotron-4 340B Instruct 模型經過包括對抗測試在內的大量安全性評估，其各項風險指標均表現良好。但用戶仍應對該模型的輸出結果進行仔細評估，確保合成生成的數據適合且安全而準確地用于自己的用例。