科技媒体 marktechpost 今天（4 月 25 日）发布博文，报道称英伟达专为数学推理设计，发布 OpenMath-Nemotron-32B 和 OpenMath-Nemotron-14B-Kaggle 两款先进 AI 模型。
数学推理一直是 AI 领域的巨大挑战。传统的语言模型擅长生成流畅文本，却在解决复杂数学问题时显得力不从心，这些问题不仅需要理解抽象概念，还要求多步骤的逻辑推导。
AI在线援引博文介绍，英伟达针对这一难题，推出了 OpenMath-Nemotron-32B 和 OpenMath-Nemotron-14B-Kaggle 两款模型，基于 Qwen 系列 transformer 模型，通过在 OpenMathReasoning 数据集上的深度微调，显著提升了数学推理能力。
OpenMath-Nemotron-32B 是系列中的旗舰产品，拥有 328 亿参数，采用 BF16 张量运算优化硬件效率。该模型在 AIME 2024、AIME 2025、HMMT 2024-25 等多项基准测试中取得领先成绩。
以工具集成推理（TIR）模式为例，其在 AIME24 上的 pass@1 准确率达到 78.4%，通过多数投票机制更是提升至 93.3%。
此外，模型支持链式思维（CoT）、工具集成推理（TIR）和生成式选择（GenSelect）三种模式，用户可根据需求平衡推理透明度和答案精确度，满足科研和生产环境的不同场景。
OpenMath-Nemotron-14B-Kaggle 是一款 148 亿参数的轻量模型，针对 AIMO-2 Kaggle 竞赛优化设计，通过精选 OpenMathReasoning 数据集子集进行微调，成功夺得竞赛第一名。
在 AIME24 测试中，其 CoT 模式下 pass@1 准确率为 73.7%，GenSelect 模式下提升至 86.7%。这款模型参数更少，保持高质量的数学解题能力的同时，适合资源受限或低延迟需求的场景。
英伟达为两款模型提供了开源管道，集成于 NeMo-Skills 框架中，支持数据生成、训练和评估的全流程复现。开发者可通过示例代码快速构建应用，获取逐步解答或简洁答案。
模型针对 NVIDIA GPU（如 Ampere 和 Hopper 架构）深度优化，利用 CUDA 库和 TensorRT 技术，确保高效运行。同时，采用 Triton Inference Server 支持低延迟、高吞吐量的部署，BF16 格式则在内存占用与性能间取得平衡，助力大规模应用落地。
