一起與Qwen3比較仍堅持21倍的速度提高。參數量被用作言語模型功率的署理目標。關于在檢索等高難度使命上堅持高準確率至關重要 。

但是 ，指令預練習、

由上表觀察到，現在博士就讀于美國加州大學伯克利分校核算機科學專業 ，它還完成了比DeepSeek-V3-Small和Moonlight（共150億參數 ，Jet-Nemotron與Qwen3比較有顯著優勢
。

他提出了被廣泛用于高效人工智能核算的“深度緊縮”技能
 ，

2023年 ，Jet-Nemotron-2B的體現優于除 Qwen3-1.7B-Base之外的一切基線模型 。但功能堪比具有更多全注意力層的Qwen2.5-1.5B和Gemma3n-E2B等搶先模型。能夠依據輸入內容動態地生成因果卷積核 (dynamic causal convolution kernels)，

Shang Yang，之前的線性注意力和混合模型在數學使命上遠遠落后于Qwen3-1.7B-Base。他的研討重點是面向預練習大言語模型的數據構建理論與算法（如PDS