Η Nvidia παρουσιάζει το Nemotron ως μια οικογένεια μοντέλων που μπορεί να προσαρμοστεί σε διαφορετικές απαιτητικές εργασίες. Σε νέα ανάρτηση στο Hugging Face, περιγράφει δύο εξειδικευμένα συστήματα που έφτασαν σε επίπεδο χρυσού μεταλλίου στην International Olympiad in Informatics (IOI) και στην International Mathematical Olympiad (IMO) του 2026.
Δύο διαφορετικές δοκιμασίες, δύο υψηλές επιδόσεις
Στην IOI 2026, το Nemotron-3-Ultra-CC πέτυχε 535,4 βαθμούς στους 600, πάνω από το όριο χρυσού μεταλλίου των 361,12 και από την κορυφαία ανθρώπινη επίδοση των 498,27. Η Nvidia διευκρινίζει ότι επρόκειτο για ζωντανή, προοπτική δοκιμή με τους ίδιους χρονικούς και υποβολής περιορισμούς, αλλά ήταν ανεπίσημη και δεν προσμετρήθηκε στην επίσημη κατάταξη.
Στην IMO 2026, ένα σύστημα που συνδύαζε γενικό και εξειδικευμένα checkpoints του Nemotron 3 πέτυχε 30 από τους 42 βαθμούς. Το αποτέλεσμα ξεπέρασε το επίσημο όριο χρυσού μεταλλίου των 29 βαθμών, ενώ οι υποβληθείσες αποδείξεις βαθμολογήθηκαν από επίσημους βαθμολογητές της IMO.
Η επίδοση δεν προήλθε από ένα μοντέλο μόνο
Η συνταγή είχε τρία βασικά επίπεδα. Πρώτα, οι ομάδες ξεκίνησαν από το Nemotron 3 και δημιούργησαν δεδομένα προσαρμοσμένα σε κάθε πεδίο. Στην προγραμματιστική, χρησιμοποίησαν 22.000 προβλήματα και συνθετικές αλυσίδες συλλογισμού, ενώ για τα μαθηματικά το σύνολο εκπαίδευσης περιλάμβανε 414.890 φιλτραρισμένα παραδείγματα από 15.818 διαφορετικά προβλήματα αποδείξεων.
Στη συνέχεια εφαρμόστηκαν supervised fine-tuning και, όπου κρίθηκε χρήσιμο, reinforcement learning. Το μοντέλο δεν εκπαιδεύτηκε απλώς να δίνει μια τελική απάντηση: έμαθε να παράγει υποψήφιες λύσεις, να εντοπίζει αδυναμίες και να βελτιώνει το αποτέλεσμα μετά από κριτική.
Αυτός ο κύκλος generate–verify–refine ήταν καθοριστικός. Στα μαθηματικά, διαφορετικά checkpoints είχαν συμπληρωματικές ικανότητες και χρησιμοποιήθηκαν μαζί, ενώ στην IOI το GenCorrect αξιολογούσε και διόρθωνε επαναληπτικά τις προτεινόμενες λύσεις.
Τι δείχνει πραγματικά το πείραμα
Το σημαντικότερο συμπέρασμα δεν είναι ότι το fine-tuning από μόνο του μετατρέπει ένα γενικό μοντέλο σε πρωταθλητή. Τα αποτελέσματα προέκυψαν από τη συν-σχεδίαση μοντέλου, δεδομένων και διαδικασίας inference. Με άλλα λόγια, η εξειδίκευση βελτίωσε τόσο τις υποψήφιες λύσεις όσο και την ικανότητα ελέγχου και αναθεώρησής τους.
Η Nvidia και η κοινότητα του Hugging Face διαθέτουν τα σχετικά checkpoints, δεδομένα, benchmarks και τμήματα της υποδομής inference. Αυτό κάνει το πείραμα πιο χρήσιμο για ανεξάρτητη αξιολόγηση, χωρίς να εξαφανίζει τους περιορισμούς του: οι διαγωνιστικές επιδόσεις αφορούν στενά ορισμένες εργασίες και δεν αποδεικνύουν γενική υπεροχή σε κάθε μορφή προγραμματισμού ή μαθηματικής σκέψης.