万亿参数预训练也能逐位复现：NVIDIA把确定性开销从两位数压到约2%
NVIDIA在Megatron Core上把逐位确定性预训练的开销压到可接受范围：同一初始状态下的两次独立运行、以及从检查点恢复的运行，都要在每一步保持数值完全一致。此前这类确定性配方开销常达两位数百分比，Nemotron 3 Ultra经缓冲区填充优化后从约17%降到2%，再降到1.5%（3,072块GPU）；大规模Nemotron配方在2,432块GPU上测得约2%稳态开销，并在800步内保持逐位一致。
英伟达把30B推理模型免费放上AI Gateway：3B激活、1M上下文，长跑智能体可直接调用
英伟达的Nemotron 3.5 Lightning以nvidia/nemotron-3.5-lightning-free为名在AI Gateway上免费提供，30B参数每token只激活3B，面向长时运行的智能体与RAG系统。
NVIDIA 提出以工具调用为骨架的智能体评测框架，并用 SWE-bench 轨迹展示端到端与步骤级评分如何分工
这篇 NVIDIA 文章梳理了智能体评测从单次函数调用评分转向整任务完成度评分的过程，提出以执行环境、步骤级（过程）与端到端（结果）两层评分、以及 Benchmark→Trial→Task→Turn→Step 的固定层级为核心的评测框架，并用 SWE-bench Verified 上 pytest-dev__pytest-5262 的真实轨迹（端到端 1、步骤级 3/4、工具调用精确率 3/4、参数准确率 4/4）说明各指标如何解读，同时给出以公开基准设下限、用自有工单与 API 建领域评测的落地流程。
NVIDIA 用 SADA 与 FLEURS 微调 Nemotron 3.5 ASR，将沙特 Najdi 与 Hijazi 方言 WER 从 55.05% 降至 29.96%，英语同时小幅改善
这篇 NVIDIA 教程以 Cache-Aware FastConformer-RNNT 多语种流式 ASR 模型为基础，在 SADA 2022 的 Najdi 与 Hijazi 沙特方言数据上做最小化筛选（保留 103,559/125,490 条、133.7 小时、82.5%）、按 90% 沙特语音加 7% 英语与 3% 阿拉伯语 FLEURS 的加权回放混合、时长分桶批处理，并在两块 GPU 上训练 12,000 步约 4.5 小时，使 Najdi+Hijazi 测试集 WER 从 55.05% 降到 29.96%、CER 从 31.63% 降到 12.18%，全 SADA WER 从 58.84% 降到 35.61%，同时 FLEURS 英语 WER 从 11.04% 降到 10.42%、阿拉伯
NVIDIA 新加坡 AI Day：与东南亚伙伴展示区域化 AI 落地进展
这篇 NVIDIA 官方活动报道汇总了 2025 年 9 月 22-23 日在新加坡莱佛士城会议中心举行的 NVIDIA AI Day Singapore 上公布的东南亚区域 AI 进展：NVIDIA 与新加坡 HTX、NCS、ST Engineering，马来西亚 YTL AI Labs、ITMAX，越南 Viettel AI、FPT Smart Cloud，泰国 Big Data Institute、iApp Technology、AS-TECH，文莱 Antrique，以及新加坡 AI Singapore、Hummingbird Bioscience 与 LynxKite 等伙伴，围绕 Nemotron 开放模型、NeMo 工具、Cosmos 世界模型与 VSS Blu
已读完全部报道