NVIDIA-Nemotron-Labs-Teacher-General-Reasoning: ครูสอนการใช้เหตุผลขนาด 550B ที่อยู่เบื้องหลัง Nemotron 3 Ultra เพิ่งเปิดน้ำหนักโมเดลสู่สาธารณะ

เมื่อวันที่ 14 สิงหาคม 2026 NVIDIA ได้เผยแพร่ NVIDIA-Nemotron-Labs-Teacher-General-Reasoning บน Hugging Face ซึ่งเป็นโมเดลเชิงเหตุผลขนาด 550B พารามิเตอร์ที่จนถึงเมื่อวานนี้มีอยู่เฉพาะภายในไปป์ไลน์การฝึกของโมเดลเรือธง Nemotron 3 Ultra เท่านั้น มันคือ "ครูสอน reasoning ทั่วไป" จากสูตร Multi-Teacher On-Policy Distillation (MOPD) ที่ NVIDIA ใช้ฝึกนักเรียน Ultra ขนาด 550B-A55B และการเผยแพร่ครั้งนี้มีความสำคัญด้วยเหตุผลง่ายๆ ข้อเดียว: ในรายงานทางเทคนิคของ Nemotron 3 Ultra ที่ NVIDIA ปล่อยออกมาในเดือนมิถุนายน สูตรการฝึกระบุไว้อย่างชัดเจนว่าเช็คพอยต์ของครูแต่ละคนจะไม่ถูกเปิดเป็นโอเพนซอร์ส แต่ตอนนี้ ตัวนี้ถูกปล่อยออกมาแล้ว — ทั้งน้ำหนัก โทเค็นไนเซอร์ เทมเพลตแชท และคอนฟิกการเสิร์ฟ ภายใต้สัญญาอนุญาต OpenMDW-1.1 ที่เป็นมิตรต่อการใช้งานเชิงพาณิชย์ และมีรุ่นพี่น้องอย่าง NVIDIA-Nemotron-Labs-Teacher-STEM ปล่อยออกมาในวันเดียวกัน ซึ่งดูไม่เหมือนการปล่อยแบบครั้งเดียวจบ แต่เหมือนกับว่ากลุ่มครู (teacher panel) กำลังเริ่มทยอยออกมาแล้ว

แท้จริงแล้วโมเดลครูคืออะไร

MOPD คือเทคนิคการฝึกหลังการเทรน (post-training) ที่ทำให้ Nemotron 3 Ultra มีความสามารถในการให้เหตุผลเชิงเอเจนต์ (agentic reasoning) แทนที่จะกลั่นความรู้จากครูขนาดใหญ่ตัวเดียวลงสู่นักเรียน NVIDIA กลับฝึกครูผู้เชี่ยวชาญเฉพาะด้านมากกว่าสิบตัว — สำหรับการให้เหตุผล การวิจัย การวิเคราะห์ทางกฎหมาย วิศวกรรมซอฟต์แวร์ การใช้เครื่องมือ และด้านอื่นๆ — จากนั้นปล่อยให้นักเรียนสร้างผลลัพธ์ (rollouts) ของตัวเอง แล้วใช้ครูแต่ละคนให้คะแนนผลลัพธ์เหล่านั้นในขอบเขตความเชี่ยวชาญของตน เนื่องจากการให้คะแนนเกิดขึ้นบนผลลัพธ์แบบ on-policy ของนักเรียนเองแทนที่จะเป็นชุดข้อมูลออฟไลน์แบบคงที่ สัญญาณการฝึกจึงสอดคล้องกับสิ่งที่นักเรียนผลิตจริงในเวลาอนุมาน (inference) NVIDIA เรียกวงจรนี้ว่า co-evolution: รอบครูใหม่จะเริ่มต้นจาก checkpoint ของนักเรียนที่อัปเดตล่าสุด ทำให้ทั้งสองฝ่ายพัฒนาขึ้นเรื่อยๆ

เช็คพอยต์นี้คือสมาชิกด้านการให้เหตุผลทั่วไปของคณะผู้เชี่ยวชาญชุดนั้น มันถูกสร้างขึ้นจากนักเรียน Nemotron 3 Ultra ที่ผ่านการเทรนขั้นหลัง โดยผ่านการเทรน SFT และการเรียนรู้แบบเสริมกำลังที่เน้นการให้เหตุผลเพิ่มอีกหนึ่งรอบ และการ์ดโมเดลระบุว่ามันถูกปรับให้เหมาะสมสำหรับ{{1}}ร่องรอยการให้เหตุผล{{/1}}ที่ยาวและมีคุณภาพสูงใน{{2}}ปัญหาหลายขั้นตอนที่ยากที่สุด{{/2}} ครอบคลุมคณิตศาสตร์ ตรรกะ และการให้เหตุผลเชิงนามธรรม—รวมถึงการพิสูจน์เชิงรูปแบบและการเขียนโค้ดเชิงแข่งขัน ภายใน MOPD มันทำหลายบทบาทพร้อมกัน เช็คพอยต์เดียว หลายบทบาท: {{3}}การสร้างร่องรอยการให้เหตุผล การตัดสินคณิตศาสตร์{{/3}} และ{{4}}ตัวตัดสินความเท่าเทียม{{/4}}ที่ให้คะแนนคำตอบสั้นแบบอิสระเทียบกับคำตอบอ้างอิง NVIDIA ยังจัดจำหน่ายมันแบบสแตนด์อโลนด้วย เพราะมันเป็นผู้ให้เหตุผลที่แข็งแกร่งในตัวของมันเอง—{{5}}ออกแบบมาสำหรับการสร้างร่องรอยการให้เหตุผลระยะยาว การแก้ปัญหาที่ยาก{{/5}} และการทำหน้าที่เป็นครูหรือผู้ให้คะแนนภายในไปป์ไลน์การกลั่นความรู้ของคุณเอง

สเปกในครั้งเดียว

• พารามิเตอร์ — รวม 550B / ใช้งาน 55B, sparse LatentMoE

• สถาปัตยกรรม — Mamba2-Transformer แบบไฮบริด latent mixture-of-experts พร้อมการทำนายหลายโทเคน (MTP)

• หน้าต่างบริบท — สูงสุด 1M โทเคน; ค่าเริ่มต้น 256K ในการกำหนดค่าการให้บริการอ้างอิง

• ภาษา — 10: อังกฤษ, ฝรั่งเศส, สเปน, อิตาลี, เยอรมัน, ญี่ปุ่น, ฮินดี, เกาหลี, โปรตุเกส (บราซิล), จีน

• ใบอนุญาต — OpenMDW-1.1 อนุญาตให้ใช้ทั้งในเชิงพาณิชย์และไม่เชิงพาณิชย์

• ฮาร์ดแวร์ขั้นต่ำ — 4×B200 (น้ำหนัก NVFP4); รองรับ GB200/GB300 และ H100-class ด้วย

สถาปัตยกรรมนี้อยู่ในตระกูลเดียวกันกับ Nemotron 3 Ultra เอง: รูปทรง 550B-A55B ที่มีเลเยอร์ Mamba-2 และ MoE สลับกัน, เลเยอร์ attention ที่เลือกไว้, และหัว MTP สำหรับการถอดรหัสแบบ speculative แบบเนทีฟ ครูไม่ใช่นักเรียนที่เล็กกว่า — มันเป็นตัวแปรที่ได้รับการฝึกต่างกันของสแตกเดียวกัน, เชี่ยวชาญสำหรับการให้เหตุผลระยะยาวมากกว่างานแบบ agentic ทั่วไป

ทำไมการเปิดซอร์สครูจึงสำคัญ

Teacher checkpoints คือรูปแบบการเปิดเผยโมเดลที่หายากที่สุด บริษัทต่าง ๆ เผยแพร่ student — โมเดลที่คุณนำไปใช้งานจริง — และชุดข้อมูลอยู่ตลอดเวลา แต่แทบไม่เคยเผยแพร่โมเดลที่ใช้ตรวจให้คะแนนผลงานของ student เลย นั่นคือเหตุผลที่บรรทัดในรายงานเดือนมิถุนายนที่ระบุว่า per-teacher checkpoints จะไม่ถูกเผยแพร่นั้น ถูกอ่านว่ากำลังปิดประตูสู่การทำซ้ำไปป์ไลน์ MOPD ตั้งแต่ต้นจนจบ การเผยแพร่ครั้งนี้เปิดประตูบานนั้นออก อย่างน้อยก็สำหรับ reasoning teacher

สำหรับทีมที่สร้างโมเดลการให้เหตุผลของตนเอง นี่คือคุณค่าที่เป็นรูปธรรม สัญญาณรางวัลที่หล่อหลอมการให้เหตุผลของ Nemotron 3 Ultra บางส่วนถูกเขียนขึ้นโดย checkpoint นี้ และตอนนี้สามารถนำไปศึกษาตรงๆ ใช้เป็นผู้ตัดสิน หรือใช้สร้าง traces การให้เหตุผลระยะยาวสำหรับข้อมูล SFT เมื่อรวมกับข้อมูล post-training ที่เปิดเผยอยู่แล้ว (nvidia/nemotron-post-training-v3) และสูตรการฝึกที่เผยแพร่ ก็ช่วยทำให้ช่องว่างระหว่าง "NVIDIA ฝึกโมเดลที่ยอดเยี่ยม" กับ "เราสามารถฝึกโมเดลแบบนั้นได้" แคบลง

หน้าปัดการคิด

คุณลักษณะเด่นอย่างหนึ่งที่สืบทอดมาจากตระกูล Nemotron 3 คือ การใช้เหตุผลเป็นสวิตช์ ไม่ใช่ค่าเริ่มต้น เทมเพลตแชทรองรับ enable_thinking=true/false ตัวเลือก medium_effort และเพดานโทเค็น reasoning_budget ดังนั้นผู้เรียกใช้จึงสามารถบังคับให้ใช้การให้เหตุผลเชิงลึกระยะยาวเมื่อปัญหาต้องการ และได้คำตอบตรงไปตรงมา—เร็วขึ้นและถูกกว่า—เมื่อไม่ต้องการ สำหรับโมเดลครู (teacher model) เรื่องนี้สำคัญมากกว่าที่เห็น: การกลั่นโมเดลต้องการรอบการให้คะแนนราคาถูกสำหรับตัวอย่างง่าย และต้องการร่องรอยการให้เหตุผลที่มีค่าใช้จ่ายสูงสำหรับตัวอย่างยาก และเช็คพอยต์เดียวที่รองรับทั้งสองโหมดช่วยขจัดความจำเป็นในการสลับโมเดลกลางไปป์ไลน์

กำลังรันมัน

นี่ไม่ใช่โมเดลที่คุณจะเรียกใช้แบบไม่ได้เตรียมการ การตั้งค่าการให้บริการขั้นต่ำที่สมเหตุสมผลคือ 4×B200 พร้อมน้ำหนัก NVFP4 และแคช KV แบบ fp8; การกำหนดค่าอ้างอิงยังครอบคลุมระบบ multi-node GB200/GB300 และเครื่องระดับ H100 ด้วย NVIDIA เผยแพร่คู่มือการตั้งค่า (cooking guides) สำหรับเอนจินสามตัว ได้แก่ vLLM (0.22), SGLang (0.5.13) และ TensorRT-LLM (1.3.0rc17) — ทั้งหมดเปิดใช้ API ที่เข้ากันได้กับ OpenAI บนพอร์ต 8000 พร้อมกับการถอดรหัสแบบคาดเดา (speculative decoding) ด้วย MTP หรือ EAGLE และแบ็กเอนด์ flashinfer Mamba คอนเท็กซ์ขนาด 1M โทเคนจำเป็นต้องมีแฟล็กอนุญาตอย่างชัดเจนในแต่ละเอนจิน (VLLM_ALLOW_LONG_MAX_MODEL_LEN=1 และค่าที่เทียบเท่า); ค่าเพดานเริ่มต้นคือ 256K

ณ เวลาที่เขียนบทความนี้ โมเดลดังกล่าวยังไม่ถูกปรับใช้โดยผู้ให้บริการอินเฟอเรนซ์รายใดบน Hugging Face และ NVIDIA ยังไม่ได้ประกาศการโฮสต์ NIM — นี่คือการเผยแพร่แบบ weights-only ซึ่งทำให้มันเป็นโมเดลสำหรับห้องแล็บที่รันคลัสเตอร์ GPU ขนาดใหญ่อยู่แล้ว หรือสำหรับทีมที่ไปป์ไลน์การกลั่น (distillation pipeline) ต้องการสัญญาณ teacher ที่แม่นยำโดยเฉพาะ เมื่อมันถูกวางบน managed API ในที่สุด การคำนวณราคาก็ง่าย: นี่คือ MoE ที่มีแอคทีฟพารามิเตอร์ 55B และใครก็ตามที่โฮสต์มันจะคิดค่าใช้จ่ายตามต้นทุน GPU บนเลเยอร์การจัดเส้นทางที่คิดมาร์กอัป 0% คุณจ่ายตามราคารายการของผู้ให้บริการโดยไม่มีค่าธรรมเนียมแพลตฟอร์มเพิ่มเติม — และคีย์เดียวกันที่เข้าถึงโมเดลนี้ก็เข้าถึงโมเดลระดับแนวหน้าที่คุณนำเทรซมาเปรียบเทียบด้วย พร้อมการเฟลโอเวอร์อัตโนมัติหากโฮสต์หลุด นั่นคือส่วนที่เราเตอร์อย่าง OrcaRouter มีไว้; ส่วนตัว teacher เองคือส่วนที่คุณโฮสต์ด้วยตัวเอง

คำเตือนที่ตรงไปตรงมา

นี่คือ checkpoint ที่มีอายุเพียง 24 ชั่วโมง และ model card ไม่มีตัวเลข benchmark เลย นั่นไม่ใช่การละเว้นในเอกสารนี้ — แต่เป็นสถานะของการเผยแพร่ครั้งนี้ NVIDIA เผยแพร่รายละเอียดสถาปัตยกรรมและการฝึกฝน แต่ไม่มีตารางการประเมิน และยังไม่มีห้องปฏิบัติการอิสระใดที่มีเวลาทดสอบมัน จุดอ้างอิงที่ใกล้เคียงที่สุดคือตัวเลขที่ผู้พัฒนารายงานสำหรับ student โมเดล: Nemotron 3 Ultra รายงาน 71.9 บน SWE-Bench Verified, 86.8 บน MMLU-Pro, 89.0 บน LiveCodeBench v6 และประมาณ 95 บน RULER ที่บริบท 1M ตัวเลขเหล่านั้นอธิบายถึง Ultra student ไม่ใช่ teacher ตัวนี้ และเป็นตัวเลขของ NVIDIA เอง ใครก็ตามที่วางแผนจะทำ distillation บน checkpoint นี้ ควรถือว่าคุณภาพการให้เหตุผลของมันยังไม่ได้รับการยืนยัน จนกว่าจะมีคะแนนจากหน่วยงานอิสระปรากฏขึ้น

ยังมีข้อควรระวังอีกสองข้อที่ถูกฝังไว้ในการ์ด คลังข้อมูลหลังการฝึกมีน้ำหนักไปทางภาษาอังกฤษอย่างมาก — มีตัวอย่างภาษาอังกฤษประมาณ 8.6 ล้านตัวอย่าง เทียบกับประมาณ 138,000 ตัวอย่างต่อภาษาในอีกเก้าภาษาที่เหลือ — ดังนั้นคุณภาพการให้เหตุผลแบบหลายภาษาจึงไม่ควรประเมินจากป้ายกำกับ 10 ภาษา และการ์ดเองก็ชี้ให้เห็นถึงความไม่สมดุลของการเป็นตัวแทนในชุดข้อมูลฝึกพื้นฐาน พร้อมทั้งแนะนำให้ตรวจสอบอคติก่อนนำไปใช้ในงานปลายทาง

ใครควรสนใจ

สามกลุ่มได้รับคุณค่าที่แท้จริงตรงนี้ นักวิจัยด้าน distillation ในที่สุดก็มีครู MOPD ตัวจริงให้แยกแยะศึกษา ไม่ใช่แค่สูตรที่อธิบายไว้ ห้องแล็บที่ฝึกโมเดล reasoning ของตัวเองจะได้ตัวสร้าง trace ระยะยาวและตัวตัดสินที่มาจาก post-training lineage เดียวกันกับโมเดลที่พวกเขาพยายามจะเทียบเคียง และใครก็ตามที่ทำ on-policy RL ก็สามารถใช้มันได้แบบที่ NVIDIA ทำ — เป็นตัวให้คะแนนสำหรับปัญหาที่ยากที่สุด โดยเปิดใช้การคิดเฉพาะจุดที่คุ้มค่าเท่านั้น

หากคุณไม่อยู่ในกลุ่มใดกลุ่มหนึ่งเหล่านี้ การเปิดตัวครั้งนี้เปลี่ยนแปลงเพียงเล็กน้อยสำหรับคุณในวันนี้: โมเดลมีขนาดใหญ่ ยังไม่ผ่านการพิสูจน์ และรองรับเฉพาะ self-host เท่านั้น และวิธีที่เร็วที่สุดในการตอบสนองต่อแนวโน้มพื้นฐาน — การเกิดขึ้นของครูสอนการให้เหตุผลแบบเปิดมากขึ้น — คือการทำให้เลเยอร์โมเดลของไปป์ไลน์ของคุณสามารถสลับเปลี่ยนได้ภายใต้อินเทอร์เฟซเดียว แทนที่จะยึดติดอยู่กับเช็คพอยต์ตัวใดตัวหนึ่ง

สิ่งที่ควรดูต่อไป

สามสิ่งจะบอกว่านี่เป็นเหตุการณ์ครั้งเดียวหรือว่ากลุ่มกำลังจะเปิดตัว ประการแรก ไม่ว่าโมเดลครูตัวอื่นๆ จะทำตามแนวทางเดียวกันหรือไม่ — NVIDIA-Nemotron-Labs-Teacher-STEM เปิดตัวในวันเดียวกันแล้ว ดังนั้นคำถามคือ ผู้เชี่ยวชาญเฉพาะด้านตัวใดจะตามมา และพวกมันจะถูกถ่วงน้ำหนักในแบบเดียวกันหรือไม่ ประการที่สอง ไม่ว่า NVIDIA NIM หรือโฮสต์ที่ได้รับการจัดการจะเริ่มให้บริการพวกมันหรือไม่ ซึ่งจะเปลี่ยนการเปิดตัวที่จำกัดเฉพาะแล็บให้เป็นสิ่งที่อุตสาหกรรมที่เหลือสามารถเรียกใช้ได้จริง ประการที่สาม ไม่ว่าจะมีการวัดมาตรฐานอิสระปรากฏขึ้นหรือไม่ — การปรากฏใน Artificial Analysis หรือการรันใน LMArena จะเป็นการตรวจสอบจริงครั้งแรกว่าคุณภาพการให้เหตุผลของครูตรงกับนักเรียนที่มันฝึกหรือไม่