Nemotron-Cascade 2: Пост-тренинг больших языковых моделей с каскадным обучением с подкреплением и мультидоменным дистилляцией на основе политики

Nemotron-Cascade 2: Post-Training LLMs with Cascade RL and Multi-Domain On-Policy Distillation

March 19, 2026

Авторы: Zhuolin Yang, Zihan Liu, Yang Chen, Wenliang Dai, Boxin Wang, Sheng-Chieh Lin, Chankyu Lee, Yangyi Chen, Dongfu Jiang, Jiafan He, Renjie Pi, Grace Lam, Nayeon Lee, Alexander Bukharin, Mohammad Shoeybi, Bryan Catanzaro, Wei Ping

cs.AI

Аннотация

Мы представляем Nemotron-Cascade 2 — открытую 30-миллиардную MoE-модель с 3 миллиардами активируемых параметров, которая обеспечивает передовые показатели логического вывода и мощные агентские возможности. Несмотря на компактный размер, её производительность в области математического и программного reasoning приближается к уровню передовых открытых моделей. Это вторая по счёту открытая LLM (после DeepSeekV3.2-Speciale-671B-A37B), достигшая уровня золотой медали на Международной математической олимпиаде (IMO), Международной олимпиаде по информатике (IOI) и финале чемпионата мира ICPC 2025 года, что демонстрирует исключительно высокую плотность интеллекта при 20-кратном уменьшении количества параметров. По сравнению с Nemotron-Cascade 1, ключевые технические усовершенствования заключаются в следующем. После SFT на тщательно отобранном наборе данных мы значительно расширяем каскадное RL для охвата гораздо более широкого спектра reasoning- и агентских доменов. Кроме того, мы внедряем междоменную on-policy дистилляцию от сильнейших промежуточных teacher-моделей для каждого домена на протяжении всего процесса каскадного RL, что позволяет эффективно устранять регрессии в бенчмарках и сохранять значительный прирост производительности. Мы публикуем коллекцию контрольных точек модели и данные для обучения.

English

We introduce Nemotron-Cascade 2, an open 30B MoE model with 3B activated parameters that delivers best-in-class reasoning and strong agentic capabilities. Despite its compact size, its mathematical and coding reasoning performance approaches that of frontier open models. It is the second open-weight LLM, after DeepSeekV3.2-Speciale-671B-A37B, to achieve Gold Medal-level performance in the 2025 International Mathematical Olympiad (IMO), the International Olympiad in Informatics (IOI), and the ICPC World Finals, demonstrating remarkably high intelligence density with 20x fewer parameters. In contrast to Nemotron-Cascade 1, the key technical advancements are as follows. After SFT on a meticulously curated dataset, we substantially expand Cascade RL to cover a much broader spectrum of reasoning and agentic domains. Furthermore, we introduce multi-domain on-policy distillation from the strongest intermediate teacher models for each domain throughout the Cascade RL process, allowing us to efficiently recover benchmark regressions and sustain strong performance gains along the way. We release the collection of model checkpoint and training data.