Сравнение моделей Llama 3.3 Nemotron Super 49B V1.5 vs Qwen3 Next 80B A3B Instruct

× nvidia/llama-3.3-nemotron-super-49b-v1.5

Llama-3.3-Nemotron-Super-49B-v1.5 — англоцентричная модель рассуждений/чата на 49B параметров, производная от Meta Llama-3.3-70B-Instruct с контекстом 128K. Она пост‑обучена для агентных рабочих процессов (RAG, вызов инструментов) через SFT на математике, коде, науке и многоходовом чате, затем через несколько стадий RL: Reward‑aware Preference Optimization (RPO) для выравнивания, RL with Verifiable Rewards (RLVR) для пошаговых рассуждений и итеративное DPO для улучшения поведения при использовании инструментов. Дистилляционно‑управляемый Neural Architecture Search («Puzzle») заменяет часть attention‑блоков и варьирует ширину FFN для уменьшения памяти и повышения throughput, позволяя развёртывание на одном GPU (H100/H200) при сохранении следования инструкциям и качества CoT. Во внутренних оценках (NeMo-Skills, до 16 прогонов, temp = 0.6, top_p = 0.95) модель показывает сильные результаты по рассуждениям/кодингу: например, MATH500 pass@1 = 97.4, AIME-2024 = 87.5, AIME-2025 = 82.71, GPQA = 71.97, LiveCodeBench (24.10–25.02) = 73.58 и MMLU-Pro (CoT) = 79.53. Модель ориентирована на практическую эффективность инференса (высокие токены/с, сниженное потребление VRAM) с поддержкой Transformers/vLLM и явными режимами «reasoning on/off» (по умолчанию chat‑first; при отключении рекомендуется greedy). Подходит для построения агентов, ассистентов и систем долговременного поиска, где важен баланс точности/стоимости и надёжное использование инструментов.

× qwen/qwen3-next-80b-a3b-instruct

Qwen3-Next-80B-A3B-Instruct — чат‑модель серии Qwen3‑Next, настроенная на инструкции и оптимизированная для быстрых, стабильных ответов без «thinking»‑трейсов. Она нацелена на сложные задачи рассуждений, генерации кода, знаний и многоязычного использования, сохраняя устойчивость в выравнивании и форматировании. По сравнению с предыдущими Qwen3 instruct‑вариантами, модель делает акцент на более высокую пропускную способность и стабильность на ультрадлинных входах и многоходовых диалогах, что делает её хорошо подходящей для RAG, использования инструментов и агентных рабочих процессов, где важны последовательные финальные ответы без видимой цепочки рассуждений. Модель использует масштаб‑эффективное обучение и декодирование для улучшения параметрической эффективности и скорости инференса и проверена на широком наборе публичных бенчмарков, где достигает или приближается к более крупным системам Qwen3 в ряде категорий, превосходя более ранние средние базовые модели. Лучше всего подходит как общий ассистент, помощник по коду и решатель задач на длинном контексте в продакшене, где предпочтительны детерминированные ответы, строго следующие инструкциям.