中文简介
nvidia/Nemotron-Cascade-2-30B-A3B 是 nvidia 在 Hugging Face 发布的模型仓库，当前卡片主要关联文本生成与推理。本站固定记录上游版本 6327cdbcf907，同步到 54 个文件，文件元数据合计 58.84 GB；访问状态为“公开”，许可证字段为“nvidia-open-model-license”。
上游模型卡 / 数据集卡
【README 卡片中文译介】
以下内容依据上游仓库 nvidia/Nemotron-Cascade-2-30B-A3B 的固定版本 README、卡片字段和文件元数据进行中文结构化整理。它保留便于选型的关键信息，完整技术细节、代码示例和许可文本请同时查看上游原文。
【资源概览】
nvidia/Nemotron-Cascade-2-30B-A3B 是 nvidia 在 Hugging Face 发布的模型仓库，当前卡片主要关联文本生成与推理。本站固定记录上游版本 6327cdbcf907，同步到 54 个文件，文件元数据合计 58.84 GB；访问状态为“公开”，许可证字段为“nvidia-open-model-license”。
【适用方向】
适合在真实样本上评估文本生成与推理能力，并比较质量、时延和资源消耗。 建议先用小规模样本验证推理框架、输入输出格式和任务指标，再决定是否进入完整权重获取、量化或部署评估。
【版本与规格】
固定版本：6327cdbcf907。 任务标签：文本生成与推理。 语言字段：en。 架构：NemotronHForCausalLM。 上游 Safetensors 元数据显示参数量约 31.58 B。 库标记：transformers。 模型类型字段：nemotron_h。 上游页面记录的最近更新时间：2026-07-09。
【文件信息】
上游 API 返回 54 个文件，文件元数据合计 58.84 GB。 已保存文件清单中的主要扩展名：.cpp 14 个、.py 14 个、.safetensors 13 个、.json 6 个、.pdf 2 个、.jinja 1 个。 当前较大的文件包括：model-00006-of-00013.safetensors（4.66 GB）；model-00012-of-00013.safetensors（4.65 GB）；model-00004-of-00013.safetensors（4.65 GB）。
【运行或处理环境】
仓库文件元数据合计 58.84 GB。 按每参数 2 字节只计算 BF16 权重，理论下限约 58.82 GB；这不包含 KV Cache、激活值、框架开销或并发余量。 实际显存与内存由精度、量化方式、上下文长度、批量、并发、MoE 专家加载方式和推理框架共同决定，不能只凭参数名或仓库大小作部署承诺；应在目标格式和目标硬件上实测。
【使用边界】
许可证显示为“nvidia-open-model-license”，具体用途限制、附加政策和归属要求仍以上游原文为准。 模型输出、工具调用和生成内容可能出现错误、偏见或安全风险，面向业务前应建立任务级评测、权限隔离和人工确认。
Nemotron-Cascade-2-30B-A3B Introduction We're excited to introduce Nemotron-Cascade-2-30B-A3B, an open 30B MoE model with 3B activated parameters that delivers strong reasoning and agentic capabilities. It is post-trained from the Nemotron-3-Nano-30B-A3B-Base. Nemotron-Cascade-2-30B-A3B achieves ***gold medal*** performance in both the 2025 International Mathematical Olympiad (IMO) and the International Olympiad in Informatics (IOI). It operates in both **thinking** and **instruct** (non-thinking) modes. Benchmark Results Benchmark Nemotron-3-Nano-30B-A3B Nemotron-3-Super-120B-A12B Qwen3.5-35B-A3B Nemotron-Cascade-2-30B-A3B Math IMO 2025 - - - 🏅 35 pts IMO AnswerBench 70.4‡ 77.2‡ 74.8‡ 79.3 IMO ProofBench - - - 72.9 AIME 2025 89.1 90.2 91.9‡ 92.4 (98.6)† AIME 2026 89.9‡ 89.8‡ 91.1‡ 90.9 (95.0)† HMMT Feb25 84.6‡ 93.7 89.0 94.6 Code Reasoning IOI 2025 - - 348.6‡ 🏅 439.3 ICPC World Finals 2025 - - - 🏅 10/12 LiveCodeBench v6 (2408-2505) 68.3 78.7 74.6 87.2 (88.4)† LiveCodeBenchPro 25Q2 (Easy) 54.5‡ 81.7‡ 81.1‡ 87.0 (89.3)† LiveCodeBenchPro 25Q2 (Med) 3.50‡ 23.2‡ 17.8‡ 27.6 (36.8)† SciCode 33.3 42.1 38.0 36.4 Knowledge & STEM MMLU-Redux - - 93.3 86.3 MMLU-Pro 78.3 83.7 85.3 79.8 GPQA-Diamond 73.0 79.2 84.2 76.1 HLE (no tool) 10.6 18.3 22.4 17.7 Alignment & Instruction Following ArenaHard v2 (Avg.) 67.7 - 65.4‡ 83.5 – Hard Prompt 72.1 73.9 64.5‡ 88.2 – Creative Writing 63.2 - 66.3‡ 78.7 IFBench (prompt) 71.5 72.6 70.2 82.9 Scale AI Multi-Challenge 38.5 55.2 60.0 45.3 Long Context & Context Learning AA-LCR 35.9 58.3 58.5 39.1 LongBench v2 39.6 - 59.0 40.3 NIAH@1M (RULER Subset) 94.8 98.3 94.3‡ 99.0 CL-Bench 12.0‡ - 15.5‡ 12.2 Agentic BFCL v4 53.8 - 67.3 52.9 𝜏²-Bench 49.0 61.2 81.2 58.9 Terminal Bench 2.0 8.5 31.0 40.5 21.1 SWE Verified (OpenHands) 38.8 60.5 69.2 50.2 Multilingual MMLU-ProX 59.5 79.4 81.0 72.5 WMT24++ (en -> xx) 86.2 86.7 87.6‡ 84.1 † Numbers in brackets refers to Tool-Integrated Reasoning (TIR) results. ‡ For the baseline models, w
适用场景
适合在真实样本上评估文本生成与推理能力，并比较质量、时延和资源消耗。 建议先用小规模样本验证推理框架、输入输出格式和任务指标，再决定是否进入完整权重获取、量化或部署评估。
模型参数
固定版本：6327cdbcf907。 任务标签：文本生成与推理。 语言字段：en。 架构：NemotronHForCausalLM。 上游 Safetensors 元数据显示参数量约 31.58 B。 库标记：transformers。 模型类型字段：nemotron_h。 上游页面记录的最近更新时间：2026-07-09。
文件说明
上游 API 返回 54 个文件，文件元数据合计 58.84 GB。 已保存文件清单中的主要扩展名：.cpp 14 个、.py 14 个、.safetensors 13 个、.json 6 个、.pdf 2 个、.jinja 1 个。 当前较大的文件包括：model-00006-of-00013.safetensors（4.66 GB）；model-00012-of-00013.safetensors（4.65 GB）；model-00004-of-00013.safetensors（4.65 GB）。
上游文件元数据
.gitattributes1.79 KBassets/Nemotron_Cascade_2.pdf1.03 MBassets/solutions/icpcwf2025/a.py3.08 KBassets/solutions/icpcwf2025/b.py5.25 KBassets/solutions/icpcwf2025/c.py7.45 KBassets/solutions/icpcwf2025/d.py3.37 KBassets/solutions/icpcwf2025/e.py3.94 KBassets/solutions/icpcwf2025/f.py3.17 KBassets/solutions/icpcwf2025/g.py9.15 KBassets/solutions/icpcwf2025/h.py5.59 KBassets/solutions/icpcwf2025/i.py2.59 KBassets/solutions/icpcwf2025/j.py2.79 KB
硬件建议
仓库文件元数据合计 58.84 GB。 按每参数 2 字节只计算 BF16 权重，理论下限约 58.82 GB；这不包含 KV Cache、激活值、框架开销或并发余量。 实际显存与内存由精度、量化方式、上下文长度、批量、并发、MoE 专家加载方式和推理框架共同决定，不能只凭参数名或仓库大小作部署承诺；应在目标格式和目标硬件上实测。
注意事项
许可证显示为“nvidia-open-model-license”，具体用途限制、附加政策和归属要求仍以上游原文为准。 模型输出、工具调用和生成内容可能出现错误、偏见或安全风险，面向业务前应建立任务级评测、权限隔离和人工确认。
获取、校验与交付
咨询此资源时只需发送本页链接或资源准确全称。橙子AI科技会继续核对版本、文件与类型、README资料卡、许可证和访问条件，并在合法访问权限、许可证及平台规则允许的前提下，协助海内外下载、完整性校验及网盘或硬盘交付；本官网本身不托管或下载资源文件。
- 大模型获取与国内转存服务
- 大模型怎么下载：Hugging Face 官方方式与国内交付完整指南
- 国内下载 Hugging Face 模型很慢或经常中断怎么办
- DeepSeek、ChatGPT、豆包、Kimi 能否下载到本地
本页面为橙子AI科技基于固定版本上游卡片整理的中文信息与服务说明，不代表资源作者或平台官方页面。实际许可、访问和使用条件以上游原文为准。