这两天，NVIDIA 在官方技术博客发布了 Nemotron 3 Super：一套面向“多智能体（Agent）”工作流的开源大模型方案。它把“长上下文、强推理、还得跑得快”这三个往往互相打架的目标，尽量同时兼顾——对需要让模型持续跑任务的人来说，这是个很实用的信号。
它到底发布了什么？
- 开源权重：Nemotron 3 Super 是一个 MoE（专家混合）模型，总参数约 120B，但每次推理只激活约 12B，主打在高能力和高效率之间取平衡。
- 超长上下文：官方强调原生支持最高 100 万 token 的上下文窗口，适合“把一堆资料/代码/日志塞进来一起分析”的任务。
- 针对 Agent 的训练与评测：博客把多智能体常见问题说得很直白：对话历史和工具输出会让上下文膨胀、成本飙升，还容易跑偏；因此它在吞吐、长记忆和对齐上做了特别优化。
- 配套数据与训练配方：研究页提到同时放出了部分训练数据集与配方，便于二次训练与落地部署。
为什么这件事重要？
过去一年，“聊天”型 AI 的提升大家都感受到了，但真正改变生产力的，往往是让模型去做更长、更复杂、需要调用工具的任务：写代码、排查故障、做安全告警分流、读长文档做对比等。这类任务不是一次问答就结束，而是要跑很多轮：每一轮都会产生更多上下文，成本和延迟是硬门槛。
Nemotron 3 Super 把重点放在“连续运行、可规模化”的场景：用 MoE 降低“思考税”，用超长上下文减少来回检索与丢信息的概率。对企业或个人开发者来说，开源意味着可控（数据不必出内网）、可调（针对自己领域再训练），也更容易做成本预算。
谁适合重点关注？
- 在做AI Agent / 自动化工作流的人：需要模型既会推理又要便宜、快。
- 安全、运维、客服等“票据/告警”密集场景：长上下文能把相似历史串起来看。
- 希望自托管、对数据合规敏感的团队：开源权重+配方更容易内网落地。
如果你也在把模型接到工具链里（检索、网页、表格、工单、脚本），欢迎来 wuxing.name 逛逛：我会持续用更接地气的方式拆解“怎么把 AI 真正用起来”。想看我接下来跟进哪些开源模型，也可以留言点题。
来源：
NVIDIA Technical Blog ·
NVIDIA Research (Nemotron 3 Super) ·
Hugging Face 模型页
