🚀 Vi introduserer Nemotron-Cascade! 🚀 Vi er begeistret for å lansere Nemotron-Cascade, en familie av generelle resonnementsmodeller trent med kaskadert, domenevis forsterkningslæring (Cascade RL), som leverer ytelse i beste klasse på tvers av et bredt spekter av benchmarks. 💻 Kodingskraft Etter RL, vår 14B-modell: • Overgår DeepSeek-R1-0528 (671B) på LiveCodeBench v5/v6/Pro. • Oppnår sølvmedalje på IOI 2025 🥈. • Oppnår 43,1 % pass@1 på SWE-Bench Verified, og 53,8 % med testtidsskalering. 🧠 Hva er Cascade RL? I stedet for å blande heterogene prompts på tvers av domener, trener Cascade RL sekvensielt, domene for domene, noe som reduserer ingeniørkompleksitet, reduserer heterogene verifikasjonsforsinkelser og muliggjør domenespesifikke læreplaner og skreddersydd hyperparameterjustering. ✨ Viktig innsikt Å bruke RLHF for justering som et fortrinn øker kompleks resonnement dramatisk—langt utover preferanseoptimalisering. Påfølgende domenevise RLVR-trinn skader sjelden benchmark-ytelsen oppnådd i tidligere domener og kan til og med forbedre den, som illustrert i figuren nedenfor. 🤗 Modeller og treningsdata 🔥 👉 📄 Teknisk rapport med detaljert opplæring og dataoppskrifter 👉