英伟达4B小模型比肩GPT-5？成本仅1/36的突破

英伟达的小型模型持续展现出优异表现。

免费影视、动漫、音乐、游戏、小说资源长期稳定更新！ 👉 点此立即查看 👈

在最新的ARC-AGI 2基准测试中，参数量仅4B的模型NVARC取得了27.64%的公开榜单成绩，力压GPT-5 Pro的18.3%，成功登顶榜首。

更令人瞩目的是，其每项任务的成本仅为20美分，大约是GPT-5 Pro单任务成本（超过7美元）的1/36，性价比优势极其显著。

最新分析指出，NVARC此次夺冠的关键在于采用了零预训练的深度学习方法。它没有依赖大规模通用数据集进行前期预训练，从而规避了预训练模型常见的领域偏见、数据依赖等问题。

ARC-AGI 2本身是一套剔除了与公共训练数据重叠的、更高难度的测试集，其核心是考察模型能否高效地获取超出其训练数据的新技能。

成绩公布后，我们最新访问到了NVARC团队的Jean-Francois Puget和Ivan Sorokin，对其中技术细节进行了深入剖析。

不妨一起来看看，这位“性价比之王”究竟是如何“练”成的？

不靠参数堆料

英伟达的策略是将复杂的推理工作转移到离线的合成数据管道中完成，从而训练出能够在评估时快速运行的较小模型。

简而言之，就是大规模合成高质量数据，然后对现有模型进行优化，并将昂贵的计算工作转移到离线进行。

由于Kaggle比赛对计算资源的限制非常严格，团队意识到，他们不能直接使用那些需要超强算力的大型LMM来执行复杂的、一步一步的推理和代码生成。

因此他们改变了思路，决定将最烧钱的计算工作转移到离线完成。比如利用GPT-OSS-120B来大规模制作高质量的合成谜题。

团队从H-ARC、BARC数据集中搜集了现有的ARC谜题数据，然后将简单的谜题混合起来，生成更复杂的新谜题。

为了确保数据质量，他们将复杂的推理管线拆分成不同的阶段，每个阶段都可以独立验证。

通过这种方式，他们建立了一个包含320万+增强样本的合成数据集，其中每个样本最多有7对输入/输出示例。

这里忍不住提一嘴，哈萨比斯刚强调了Scaling Law的重要性，那么合成数据的Scaling怎么不算呢（doge）？

言归正传，NVARC核心的推理模块以改进版ARChitects方法为基础，选用小参数模型Qwen3-4B，通过对话题模板简化谜题理解。

训练时借助NeMo RL框架和Megatron后端进行监督微调。

不过，让模型取得优异成绩的关键一步在于测试时微调（TTFT）。

针对ARC-AGI-2“每个任务都是全新规则”的特点，NVARC引入了LoRA微调技术，并且是针对每一个问题都进行微调，让模型在做题前快速适应。

而对ARChitects方法的改进在于解码阶段DFS算法做了批处理优化，修复了结果非确定性问题。

同时统一了8种数据增强操作评估候选项，最终在公开榜单获得了27.64%的分数。

在竞赛后期，团队还应用了“少即是多”的TRM方法，尝试与Qwen3-4B集成补充分数，虽然有一定提升，但受各种限制并没有大幅优化。

那么问题来了，有人会说这样训练出来的小模型不就是做题机器吗？哪里比得上全面发力的超级大模型？

但更值得关注的或许不在于模型本身，而在于实现突破的方法。

在特定领域任务中，小型模型经过针对性优化，性能并不逊色。加之其在成本、速度、适配性与领域聚焦上的优势，它们已经在诸多场景崭露头角。

将正确的方法用在正确的地方，将会实现更大的价值。