NVIDIA: Nemotron 3 Ultra slår åpne modeller i chipdesign-koding

NVIDIA flytter AI-agentene inn i chipdesign

NVIDIA publiserte 27. juli en teknisk gjennomgang der selskapet hevder at Nemotron 3 Ultra nå leder åpne modeller på både nøyaktighet og effektivitet i agentisk RTL-koding. Det høres smalt ut. Det er det ikke. RTL, register transfer level, er språket og arbeidslaget der chiplogikk beskrives før den verifiseres og sendes videre i designløpet. Når AI-modeller blir bedre her, handler det ikke bare om raskere kodeforslag. Det handler om kortere iterasjoner i en av de dyreste og mest kompetansekrevende delene av teknologistakken.

Kjernen i saken er en agentflyt NVIDIA kaller ACE-RTL: modellen får en spesifikasjon, skriver RTL-kode, sender koden gjennom simulering, leser feilene og retter designet i nye runder. Det er langt mer relevant enn et engangsbenchmark der modellen bare gjetter en løsning. Virkelig maskinvaredesign er nettopp en sløyfe av spesifikasjon, implementering, verifikasjon, feilretting og ny verifikasjon. NVIDIA sier ACE-RTL med Nemotron 3 Ultra oppnår 97,1 prosent gjennomsnittlig pass rate på CVDP, Comprehensive Verilog Design Problems, fordelt på ni kategorier av agentiske RTL-oppgaver.

Det andre tallet er kanskje enda viktigere for drift: 6 629 tokens per iterasjon i snitt. NVIDIA sammenligner dette med 9 156 for GLM 5.2 og 22 579 for Kimi K2.6 i samme oppsett. Hvis tallene holder i praktiske løp, betyr det at modellen ikke bare løser flere oppgaver, men gjør det med lavere inferenskost og mindre venting per forsøk. I agentiske arbeidsflyter er tokenbruk ikke pynt i regnearket. Det er faktisk kost, faktisk latenstid og faktisk kapasitet i køen.

Nemotron 3 Ultra beskrives som en 550 milliarder totalparameter, 55 milliarder aktivparameter Mixture-of-Experts-modell med hybrid Mamba-Attention-arkitektur. Den er trent for langvarige agentløp, 1 million tokens kontekst og arbeid der modellen må holde flere detaljer i hodet gjennom mange verifikasjonsrunder. NVIDIA peker også på et syntetisk dataløp for RTL: offentlige RTL-snutter og spesifikasjonseksempler brukes til å lage nye trenings- og evalueringsdata, filtrert med syntakssjekk, benchmark-dekontaminering og rubrikkbasert scoring. Det er et viktig poeng, fordi maskinvaredesign har mindre åpen treningsdata enn vanlig programvareutvikling.

For en CIO eller CISO er den praktiske lesningen todelt. Først: AI-koding beveger seg fra app- og webutvikling til dype ingeniørdomener der feil er dyrere og verifikasjon er strengere. Når agenten kobles til simulatorer og EDA-verktøy, blir spørsmålet ikke lenger om modellen kan skrive pen kode, men om den kan inngå i en kontrollert, sporbar ingeniørprosess. Det er en annen modenhetsklasse.

Deretter: leverandørbildet blir mer strategisk. NVIDIA nevner integrasjonspotensial mot EDA-miljøer fra Cadence, Siemens og Synopsys. Hvis slike modeller blir nyttige i reelle designløp, flyttes konkurransen fra generelle chatmodeller til vertikale arbeidsflater der modellen, verktøyet, simulatoren og datagrunnlaget henger sammen. Det er her låsing kan oppstå. Ikke nødvendigvis gjennom en klassisk skyavtale, men gjennom evalueringsdata, agentrammeverk, verifikasjonsløp og GPU-optimalisert inferens.

Dette er likevel ikke en blank sjekk. NVIDIA er både modellleverandør, infrastrukturleverandør og en stor interessent i at AI akselererer chipdesign. Tallene bør derfor leses som en sterk leverandørbenchmark, ikke som en nøytral bransjestandard. CVDP-metoden er mer realistisk enn rene kodeoppgaver, men virksomheter bør fortsatt kreve egne tester på egne designspråk, egne simulatoroppsett og egne krav til sporbarhet. Spesielt innen halvleder, forsvar, industri og regulert teknologi må kildekontroll, IP-beskyttelse og logging være på plass før agentene får skrive i nærheten av produksjonsløp.

Det interessante er retningen. Nemotron 3 Ultra-resultatet viser at åpne modeller nå presses inn i nisjer der høy verdi ligger i verifiserbar iterasjon, ikke i generisk tekst. For norske teknologimiljøer med maskinvare, energi, maritim sensorikk, industriell automasjon eller sikkerhetskritiske systemer er læringen enkel: start med sandkasser. Mål pass rate, tokenkost, feilmønstre og revisjonsspor i én konkret ingeniørflyt. Ikke kjøp fortellingen om autonom chipdesign. Kjøp, eller bygg, en disiplinert assistent som kan spare senioringeniører for de kjedelige iterasjonene uten å slippe taket i verifikasjonen.

Kilder og medier

Primærkilde: NVIDIA Technical Blog, https://developer.nvidia.com/blog/nvidia-nemotron-3-ultra-leads-open-models-on-accuracy-and-efficiency-in-agentic-rtl-coding/

Discovery/annonse på X: https://x.com/NVIDIAAI/status/2081541801031110903

Thumbnail: OpenAI Image 2 / hogby.ai