英伟达在自主智能体基础设施竞争里使劲，这意味着该芯片巨头于人工智能竞赛当中有着从硬件供应商往模型层深度延展的战略转变，有这样的转变。

周三，美东时间11日，英伟达宣称推出新一代开源大语言模型Nemotron 3 Super，它是专门为企业级多智能体系统所设计的，靠着全新的混合专家架构，把推理吞吐量提高到上一代模型的五倍还要多，该模型的总的参数量达到1200亿，在推理的时候仅仅激活120亿参数，并且原生支持100万token上下文窗口。

英伟达宣称，Nemotron 3 Super于效率跟开放性层面，已占据Artificial Analysis榜首之位，在同等规模的模型里，准确率处于领先状况，且促使英伟达AI-Q研究智能体，在DeepResearch Bench以及DeepResearch Bench II这两大排行榜当中，位居第一。

英伟达公布了Nemotron 3 Super的首批合作对象，AI搜索公司Perplexity成为首个连接该模型以执行智能体任务的合作方，它为用户供给搜索及Computer产品里的多智能体编排服务。Palantir、西门子、Cadence、达索系统以及Amdocs等企业软件巨头也已宣称会部署该模型，用于电信、网络安全、半导体设计以及制造等领域的工作流自动化。

已向开发者开放的Nemotron 3 Super模型，是通过英伟达旗下的build.nvidia.com、Hugging Face以及OpenRouter等这些渠道来实现的。

两大瓶颈催生新架构

英伟达于博客当中表明，企业于从聊天机器人朝着多智能体应用进行迈进之际，面临着两项核心约束条件。

其中一个是“上下文爆炸” ，多智能体工作流在每次交互的时候 ，都需要再次去传输完整的历史记录 ，这里面包含工具输出以及中间推理步骤 ，所生成的token数量 ，最高能够达到标准对话的15倍。随着任务不断延伸 ，这一数量巨大的上下文 ，不但会推高成本 ，而且还会致使“目标漂移” ，也就是让智能体逐渐朝着偏离原始目标的方向发展。

其二称作“思考税”，复杂的智能体在每一个步骤都得进行推理，要是每个子任务都去调用大型模型，那么多智能体应用就会因为成本特别高昂，而且响应缓慢慢吞吞的，从而很难实现落地。

Nemotron 3 Super借助100万token原生上下文窗口，直接对上下文爆炸问题作出回应，以此保证智能体于超长任务里维持状态连贯，避免目标漂移。并且混合架构设计可针对性地化解思考税。

三重架构创新支撑五倍提速

英伟达博客透露，Nemotron 3 Super的性能提升源自三项架构类型的关键创新，这三项创新属于核心层面。

在英伟达的Blackwell平台那儿，此模型运用NVFP4精度来运行，跟英伟达Hopper平台的FP8相比较起来的情况下，推理速度能够在最高限度上被提升到4倍之多，并且依据英伟达所讲的，精度不存在损失的情况。

开放权重叠加多层生态布局

当下主流前沿的诸多模型通常采取的是API - only的访问形式，与之不一样的是，英伟达选用了以宽松许可协议来放开Nemotron 3 Super的权重、数据集以及训练方案，针对开发者而言，可以在工作站、数据中心或者云端去进行自由自在的部署以及定制。

英伟达公开了完整的训练方案，公开了完整的评估方案，方案涵盖预训练至对齐的全流程，英伟达发布了超过10万亿token的预训练数据集，英伟达发布了超过10万亿token的后训练数据集，英伟达发布了21个强化学习训练环境，英伟达发布了评估方案，预训练阶段，模型在25万亿token上以NVFP4原生精度训练，模型从首次梯度更新起即在4位浮点运算约束下学习准确性，模型并非事后量化。

立足生态层面，英伟达同谷歌云Vertex AI、甲骨文云基础设施、戴尔技术、HPE等主流云服务商还有硬件厂商达成合作，亚马逊AWS Bedrock以及微软Azure的接入也在筹备当中。CodeRabbit、Factory、Greptile等软件开发智能体公司，以及生命科学机构Edison Scientific和Lila Sciences，也都宣布要把该模型整合至自身智能体工作流。

"Super+Nano"组合部署

英伟达于博客之内，还对Nemotron 3系列的协同部署逻辑予以了阐述。去年12月所推出之Nemotron 3模型的Nano版本，适宜处理智能体工作流里具有针对性的单步任务，而此Nemotron 3 Super专为需要深度规划与推理的复杂多步骤任务而作设计。

就拿软件开发场景当作例子来讲，英伟达给出这样的建议：那种简单的合并请求能够由Nano去处理，而涉及到对代码库要进行深度理解的复杂编码任务就交给Super来承担，至于专家级任务则是可以进一步去调用第三方专有模型。这样的一层分层架构，目的在于助力企业在成本跟能力之间寻觅到最优的平衡状态。

在具体的应用场景之上，英伟达的博客进行了举例来表明，软件开发智能体能够做到，将整个代码库一次性成功加载至上下文之中，进而实现端到端的代码生成以及调试；处于金融分析的场景里面，能够把数千页的报告载入到内存当中，如此便可省去跨长对话的重复推理；而在网络安全里的自主安全编排场景，是能够受益于高精度的工具调用方式的，这样可以避免在高风险的环境当中出现执行方面的错误。

硬件护城河的模型层延伸

英伟达此次开放模型的策略背后，有着一套清晰的商业逻辑，此前呢，英伟达主要是靠向OpenAI、谷歌等模型提供商售卖GPU，来积累在AI领域的主导地位，如今呀，要是Nemotron成为企业智能体AI的主流基础模型，那么大规模运行这个模型所需要的GPU基础设施，依旧会依赖英伟达，在模型层推进开放的同时，巩固硬件层的需求锁定。

当下，Nemotron 3 Super借助英伟达NIM微服务完成打包后予以交付，它具备支持从本地环境到云端环境灵活进行部署的条件。性能方面的相关数据能不能在生产级别的工作载货情况之下获得验证，还有企业客户怎样在有着开放特质的灵活性以及竞争对手拥有的专有模型能力之间衡量后作出抉择，这将会成为验证这种战略所取得效能的关键可变的因素。