NVIDIA-Nemotron-Labs-Teacher-General-Reasoning：Nemotron 3 Ultraの背後にある550B推論教師がついにオープンウェイト化

2026年8月14日、NVIDIAはHugging Face上でNVIDIA-Nemotron-Labs-Teacher-General-Reasoningを公開しました。これは550Bパラメータの推論モデルであり、昨日まで同社のフラッグシップモデルであるNemotron 3 Ultraのトレーニングパイプライン内にのみ存在していました。このモデルは、NVIDIAが550B-A55B Ultraの生徒モデルのトレーニングに使用したMulti-Teacher On-Policy Distillation（MOPD）レシピにおける「一般的な推論」ティーチャーです。このリリースが重要な理由は単純です。NVIDIAが6月に公開したNemotron 3 Ultraテクニカルレポートでは、トレーニングレシピに、各ティーチャーのチェックポイントはオープンソース化しないと明確に記載されていました。今回、このモデルは、ウェイト、トークナイザー、チャットテンプレート、サービング設定を含め、商用利用に適したOpenMDW-1.1ライセンスの下で公開されました。その同じ日には、姉妹モデルであるNVIDIA-Nemotron-Labs-Teacher-STEMも公開されており、これは一回限りのリリースというよりは、ティーチャーパネルの公開が始まったことを示しているように思われます。

教師モデルとは実際には何か

MOPDは、Nemotron 3 Ultraにエージェント的推論をもたらすポストトレーニング技術です。単一の大規模な教師モデルを学生モデルに蒸留する代わりに、NVIDIAは推論、研究、法務分析、ソフトウェア工学、ツール使用などの分野で10以上のドメイン特化型教師モデルを訓練し、学生モデル自身にロールアウトを生成させ、各教師モデルにその専門分野でそれらのロールアウトを採点させました。採点は固定のオフラインデータセットではなく、学生モデル自身のオン方策出力に対して行われるため、トレーニング信号は推論時に学生モデルが実際に生成する内容と一致し続けます。NVIDIAはこのループを共進化と呼んでいます。新しい教師モデルのラウンドは更新された学生モデルのチェックポイントから初期化されるため、両者が改善し続けるのです。

{{1}}このチェックポイントは、そのパネルにおける汎用推論担当メンバーです。{{/1}}{{2}}これは、ポストトレーニング済みのNemotron 3 Ultra studentに、推論集約型SFTと強化学習を追加で1ラウンド適用して生成されたものであり、モデルカードでは、数学・論理・抽象推論（形式証明や競技プログラミングを含む）にわたる最難関のマルチステップ問題に対して、長く高品質な推論トレースを生成するよう最適化されていると説明されています。{{/2}}{{3}}MOPD内では、この1つのチェックポイントが複数の役割を同時に担います。すなわち、推論トレース生成、数学判定、そして参照回答と照合して自由記述の短文を採点する等価性判定です。{{/3}}{{4}}NVIDIAはまた、単体でも強力な推論モデルであるため、これをスタンドアロンでも提供しています。長期的な推論トレース生成、難易度の高い問題解決、そして独自の蒸留パイプライン内でのティーチャーやグレーダーとしての役割を想定したものです。{{/4}}

仕様を一度で

• パラメータ — 合計550B / アクティブ55B、スパースLatentMoE

• アーキテクチャ — Mamba2-Transformerハイブリッド潜在型混合エキスパート、マルチトークン予測（MTP）付き

• コンテキストウィンドウ — 最大100万トークン; リファレンス推論設定ではデフォルト256K

• 言語 — 10: 英語、フランス語、スペイン語、イタリア語、ドイツ語、日本語、ヒンディー語、韓国語、ブラジルポルトガル語、中国語

• ライセンス — OpenMDW-1.1、商用・非商用利用が許可されています

• 最小ハードウェア — 4×B200（NVFP4重み）；GB200/GB300およびH100クラスもサポート

アーキテクチャはNemotron 3 Ultra自体と同じファミリーに属します。すなわち、Mamba-2とMoEレイヤーを交互に配置し、選択されたアテンションレイヤー、そしてネイティブな投機的デコーディングのためのMTPヘッドを備えた550B-A55B形状です。教師モデルは、より小さい生徒モデルではありません。同じスタックの異なる訓練を受けた変種であり、一般的なエージェント的タスクではなく、長期的な推論に特化しています。

教師をオープンソース化することが重要な理由

教師チェックポイントは、オープンモデルの公開の中でも最も稀な種類のものだ。企業は学生モデル（つまりデプロイするモデル）やデータセットを常に公開しているが、学生の成果を採点したモデルを公開することはほとんどない。だからこそ、6月のレポートに「教師ごとのチェックポイントは公開しない」と書かれたことは、MOPDパイプラインをエンドツーエンドで再現する道を閉ざすものとして受け止められた。今回のリリースは、少なくとも推論教師モデルについては、その扉を開き始めるものだ。

自社の推論モデルを構築しているチームにとって、これは具体的な価値です。Nemotron 3 Ultraの推論を形成した報酬信号は、部分的にこのチェックポイントによって書かれたものであり、現在ではそれを直接研究したり、判定者として実行したり、SFTデータ用の長期的な推論トレースを生成するために使用したりできます。すでに公開されているポストトレーニングデータ（nvidia/nemotron-post-training-v3）および公開されたトレーニングレシピと組み合わせることで、「NVIDIAは優れたモデルを訓練した」と「私たちも同様のモデルを訓練できる」の間のギャップを縮めます。

思考ダイヤル

Nemotron 3ファミリーから受け継がれた際立った特徴の1つは、推論がデフォルトではなくスイッチであることです。チャットテンプレートは enable_thinking=true/false、medium_effortオプション、reasoning_budgetトークン上限を受け付けるため、呼び出し側は問題が必要とする場合には深い長期的推論を強制でき、不要な場合には直接的な回答を——より速く、より安く——得ることができます。教師モデルにとって、これは見た目以上に重要です。蒸留実行では、簡単なサンプルには低コストの評価パスを、難しいサンプルには高コストの推論トレースを必要とするため、両方のモードをサポートする単一のチェックポイントがあれば、パイプラインの途中でモデルを切り替える必要がなくなります。

それを実行する

これは気軽に呼び出すようなモデルではありません。最小限の妥当なサーバー構成は、NVFP4ウェイトとfp8 KVキャッシュを備えた4×B200です。リファレンス構成には、マルチノードのGB200/GB300やH100クラスのボックスも含まれます。NVIDIAは、vLLM (0.22)、SGLang (0.5.13)、TensorRT-LLM (1.3.0rc17) の3エンジン向けのクッキングガイドを公開しています。いずれもポート8000でOpenAI互換APIを公開し、MTPまたはEAGLE投機的デコードとflashinfer Mambaバックエンドを備えています。1Mトークンのコンテキストでは、各エンジンで明示的な許可フラグ（VLLM_ALLOW_LONG_MAX_MODEL_LEN=1および同等のもの）が必要です。デフォルトの上限は256Kです。

現時点では、このモデルはHugging Face上のいかなる推論プロバイダーによってもデプロイされておらず、NVIDIAもNIMホスティングを発表していません——これは重みのみのリリースです。{{1}}つまり、これはすでに大規模なGPUフリートを運用しているラボや、蒸留パイプラインが特定の教師シグナルを正確に必要とするチーム向けのモデルです。{{/1}}{{2}}管理されたAPIに登場した場合、価格計算は単純です：これは55BアクティブのMoEであり、ホストする側はGPUのコストに応じた料金を請求します。{{/2}}{{3}}0%マークアップで動作するルーティングレイヤー上では、プラットフォーム手数料が上乗せされることなく、プロバイダーの定価を支払うだけです。{{/3}}{{4}}そして、このモデルに到達するのと同じキーで、比較対象となるフロンティアモデルにも到達でき、ホストが落ちた場合は自動フェイルオーバーが機能します。{{/4}}{{5}}それがOrcaRouterのようなルーターの役割であり、教師モデル自体はセルフホストする部分です。{{/5}}

正直な注意点

これは作成から24時間が経過したチェックポイントであり、モデルカードにはベンチマーク数値が一切記載されていません。これはこの文書での省略ではなく、リリース時点の状態です。NVIDIAはアーキテクチャとトレーニングの詳細を公開していますが、評価テーブルはなく、独立した研究機関がまだ実行する時間もありません。最も近い参照点は、生徒モデルのベンダー報告値です。Nemotron 3 Ultraは、SWE-Bench Verifiedで71.9、MMLU-Proで86.8、LiveCodeBench v6で89.0、RULERの1Mコンテキストで約95を報告しています。これらはこの教師モデルではなく、Ultra生徒モデルを説明するものであり、NVIDIA自身の数値です。このチェックポイントで蒸留ランを計画している人は、独立したスコアが現れるまで、その推論品質を未検証として扱うべきです。

カードにはさらに2つの注意点が組み込まれている。ポストトレーニングのコーパスは英語に大きく偏っており、他の9言語がそれぞれ約138,000サンプルなのに対し、英語は約860万サンプルとなっている。そのため、10言語対応のタグが付いていても、多言語の推論品質を前提にすべきではない。また、カード自体がベーストレーニングデータの表現の偏りを指摘しており、ダウンストリームでの使用前にバイアス監査を推奨している。

誰が気にするべきか

ここで実際に価値を得るのは3つのグループです。蒸留研究者は、単なるレシピの記述ではなく、解析できる実在のMOPD教師モデルをようやく手にします。独自の推論モデルを訓練している研究室は、自分たちが一致させようとしているモデルと同じポストトレーニング系統から生まれた、長期的なトレース生成器と判定器を手に入れます。そして、オンポリシーRLを実行している人なら誰でも、NVIDIAが行ったように、それを最も難しい問題のスコアラーとして使い、報酬に見合う場合にだけ思考をオンにすることができます。

それらのグループのいずれにも該当しない場合、今回のリリースが今日のあなたにとって変えるものはほとんどありません。モデルは大きく、実績がなく、セルフホスト専用です。そして、その根底にあるトレンド（よりオープンな推論教師が登場してきていること）に素早く対応する最速の方法は、パイプラインのモデル層を単一のチェックポイントに固定するのではなく、1つのインターフェースの背後で交換可能にしておくことです。

次に見るもの

これが一度きりのリリースなのか、それとも一連のモデル群の登場なのかを見極める手がかりは3つある。第一に、同系統のティーチャーモデルが同じ道をたどるかどうかだ。NVIDIA-Nemotron-Labs-Teacher-STEMはすでに同じ日にリリースされているため、次にどのドメインの専門モデルが登場し、それらが同じように重み付けされるのかが問われる。第二に、NVIDIA NIMまたはマネージドホストがそれらの提供を開始するかどうかだ。それが実現すれば、ラボ限定のリリースは、業界の他社が実際に呼び出せるものへと変わる。第三に、独立したベンチマークが登場するかどうかだ。Artificial Analysisへの掲載やLMArenaでの実行は、ティーチャーモデルの推論品質が、それが訓練した生徒モデルと見合っているかを確かめる最初の本格的な検証となるだろう。