Llama 3.1 Nemotron 8B UltraLong 4M Instruct

🚀 Nemotron-UltraLong-8B模型

Nemotron-UltraLong-8B 是一系列超長上下文語言模型，旨在處理大量文本序列（最長可達100萬、200萬和400萬個標記），同時在標準基準測試中保持有競爭力的性能。該模型基於Llama-3.1構建，採用了一種系統的訓練方法，將高效的持續預訓練與指令微調相結合，以增強長上下文理解和指令遵循能力。這種方法使模型能夠在不犧牲整體性能的情況下有效擴展上下文窗口。

🚀 快速開始

從 transformers >= 4.43.0 版本開始，你可以使用Transformers的 pipeline 抽象或藉助 generate() 函數的Auto類來進行對話推理。

請確保通過 pip install --upgrade transformers 命令更新你的transformers庫。

import transformers
import torch

model_id = "nvidia/Llama-3.1-Nemotron-8B-UltraLong-4M-Instruct"

pipeline = transformers.pipeline(
    "text-generation",
    model=model_id,
    model_kwargs={"torch_dtype": torch.bfloat16},
    device_map="auto",
)

messages = [
    {"role": "system", "content": "You are a pirate chatbot who always responds in pirate speak!"},
    {"role": "user", "content": "Who are you?"},
]

outputs = pipeline(
    messages,
    max_new_tokens=256,
)
print(outputs[0]["generated_text"][-1])

✨ 主要特性

模型列表

• nvidia/Llama-3.1-Nemotron-8B-UltraLong-1M-Instruct
• nvidia/Llama-3.1-Nemotron-8B-UltraLong-2M-Instruct
• nvidia/Llama-3.1-Nemotron-8B-UltraLong-4M-Instruct

模型評估

我們在一系列多樣化的基準測試中對Nemotron-UltraLong-8B進行了評估，包括長上下文任務（如RULER、LV-Eval和InfiniteBench）和標準任務（如MMLU、MATH、GSM-8K和HumanEval）。UltraLong-8B在超長上下文任務中表現出色，同時在標準基準測試中也保持了有競爭力的結果。

大海撈針測試

長上下文評估

標準能力評估

📚 詳細文檔

模型卡片

🔧 技術細節

本模型基於Llama-3.1構建，通過結合高效的持續預訓練和監督微調（SFT），實現了對長上下文的有效處理。持續預訓練階段使用了特定的上採樣策略和訓練參數，以適應長序列的訓練。監督微調階段則在多個領域的開源指令數據集上進行，進一步提升了模型的指令遵循能力。

📄 許可證

本項目採用CC BY-NC 4.0許可證。

🔗 聯繫方式

• Chejian Xu (chejian2@illinois.edu)
• Wei Ping (wping@nvidia.com)

📖 引用

@article{ulralong2025,
  title={From 128K to 4M: Efficient Training of Ultra-Long Context Large Language Models},
  author={Xu, Chejian and Ping, Wei and Xu, Peng and Liu, Zihan and Wang, Boxin and Shoeybi, Mohammad and Catanzaro, Bryan},
  journal={arXiv preprint},
  year={2025}
 }