Nvidia Nemotron 3 franchit une étape historique dans le raisonnement artificiel en décrochant deux médailles d’or virtuelles aux Olympiades internationales d’informatique (IOI) et de mathématiques (IMO). L’équipe de recherche de NVIDIA a dévoilé une recette d’adaptation ouverte associant réglage fin supervisé, apprentissage par renforcement et calcul au moment de l’inférence. Tous les points de contrôle et les jeux de données sont désormais accessibles librement sur Hugging Face.
Points clés : ce qu’il faut retenir de Nvidia Nemotron 3
- Double distinction mondiale : le système atteint le niveau médaille d’or aux Olympiades internationales d’informatique 2026 (535,4 points sur 600) et aux Olympiades internationales de mathématiques 2026 (30 points sur 42).
- Démonstrations en langage naturel : sur l’IMO, le modèle résout 4 des 6 problèmes complexes avec le score maximal sans faire appel à un solveur formel comme Lean.
- Deux gabarits complémentaires : la gamme aligne Nemotron-3-Nano-CC (30 milliards de paramètres totaux, 3 milliards actifs) et Nemotron-3-Ultra-CC (550 milliards de paramètres totaux, 55 milliards actifs).
- Recette ouverte sur Hugging Face : NVIDIA publie les jeux d’entraînement, le banc de test Nemotron-IMO-Bench fort de 200 problèmes de niveau olympique, ainsi que le pipeline complet au sein du dépôt NeMo-Skills.
Sommaire de l’enquête
Olympiades 2026 : comment Nvidia Nemotron 3 a décroché l’or
Les concours scientifiques d’élite représentaient jusqu’ici la frontière ultime pour les modèles d’intelligence artificielle. D’un côté, l’Olympiade internationale d’informatique (IOI) impose de concevoir des algorithmes en temps limité et sans accès au réseau. De l’autre, l’Olympiade internationale de mathématiques (IMO) réclame des démonstrations textuelles d’une rigueur absolue. Avec Nvidia Nemotron 3, le constructeur prouve qu’une même famille de modèles peut exceller sur les deux tableaux sans reconstruire un système depuis zéro.
Lors de l’épreuve prospective de l’IOI 2026, menée sous les mêmes contraintes temporelles que les candidats humains, le système a totalisé 535,4 points sur 600. Pour les mathématiques, les copies soumises à l’évaluation officielle de l’IMO ont atteint 30 points sur 42. Le modèle a décroché la note maximale sur quatre des six problèmes posés, dépassant le seuil officiel de la médaille d’or.
Fait marquant : cette performance mathématique s’est construite intégralement en langage naturel. Contrairement à d’autres initiatives reposant sur des environnements de preuve formelle comme Lean ou Isabelle, la génération de Nvidia Nemotron 3 repose sur la structuration pas à pas de raisonnements en texte brut.
L’architecture de Nvidia Nemotron 3 : du modèle compact au colosse MoE
Pour parvenir à ce niveau de maîtrise, les ingénieurs ont appliqué une stratégie de spécialisation en deux étapes. Tout a commencé par la sélection de la base Nvidia Nemotron 3, déclinée en deux formats distincts pour cibler des usages variés :
- Nemotron-3-Nano-CC : un modèle compact de 30 milliards de paramètres (dont 3 milliards actifs en architecture Mixture of Experts), idéal pour les serveurs locaux ou les architectures de développement rapide.
- Nemotron-3-Ultra-CC : un modèle géant de 550 milliards de paramètres totaux avec 55 milliards de paramètres actifs, spécialement calibré pour le calcul lourd et la résolution de problèmes extrêmes.
Le tableau ci-dessous résume les caractéristiques techniques de la suite et les résultats obtenus face aux seuils olympiques :
| Modèle | Taille totale / active | Discipline cible | Score officiel | Seuil médaille d’or |
|---|---|---|---|---|
| Nemotron-3-Nano-CC | 30B / 3B | IOI 2025 (progression) | 468 points | 438,3 points |
| Nemotron-3-Ultra-CC | 550B / 55B | IOI 2026 | 535,4 points | Niveau or atteint |
| Nemotron 3 Ultra IMO (SFT+RL) | 550B / 55B | IMO 2026 | 30 / 42 points | Seuil or dépassé |
Cette approche s’inscrit dans la tendance des modèles spécialisés à poids ouverts, observée aussi bien chez des modèles souverains européens comme Mistral Large 4 que dans les architectures embarquées présentées récemment sur Liquid AI open-d1.
La méthode GenCorrect : quand le calcul à l’inférence fait la différence
L’entraînement initial ne fait pas tout. Pour franchir la barre de l’or, NVIDIA a combiné un réglage supervisé (SFT) et un apprentissage par renforcement (RL) avec un algorithme de recherche et de raffinement itératif baptisé GenCorrect. Au lieu de se contenter d’échantillonner des réponses au hasard, le système applique un cycle structuré : générer, évaluer, critiquer et corriger.
Dans le volet mathématique, le jeu de données SFT comptait 414 890 exemples de haute qualité couvrant 15 818 problèmes de démonstration. L’apprentissage ne s’est pas borné à fournir la réponse finale : il a appris au modèle à identifier les failles d’une argumentation, à répondre à des objections précises et à juger de la complétude d’une preuve. En croisant deux versions spécialisées, Nvidia Nemotron 3 tire parti de perspectives complémentaires pour éliminer les erreurs d’inattention logique.
Ces mécanismes d’auto-critique rappellent les avancées explorées dans notre analyse sur les modèles IA de nouvelle génération, où le budget alloué au temps de réflexion à l’inférence transforme la précision globale.
Ce que cette avancée change pour les modèles ouverts
Le point le plus remarquable pour la communauté des développeurs réside dans la transparence totale de la démarche. Alors que les acteurs propriétaires gardent leurs méthodes de raisonnement sous scellés, NVIDIA a choisi d’ouvrir ses points de contrôle, ses jeux de données d’entraînement et son banc d’évaluation Nemotron-IMO-Bench.
Cette publication prouve qu’il n’est plus obligatoire d’entraîner un modèle massif ex nihilo pour atteindre le sommet des classements. En partant d’une base solide telle que Nvidia Nemotron 3 et en lui appliquant une recette de post-entraînement rigoureuse, des équipes indépendantes et des laboratoires de recherche peuvent concevoir des experts thématiques de classe mondiale.
Pour les architectes de systèmes autonomes, cette rigueur algorithmique ouvre la voie à des outils d’exécution fiables, capables de valider leur propre code avant déploiement. Pour en savoir plus sur l’intégration d’outils avancés, vous pouvez consulter notre comparatif dédié aux assistants autonomes :
À lire aussi dans le dossier Agents IA : découvrez notre guide complet et comparatif des agents IA pour automatiser vos flux de travail.
Foire aux questions sur Nvidia Nemotron 3
Qu’est-ce que Nvidia Nemotron 3 ?
Nvidia Nemotron 3 est une famille de modèles de fondation développée par NVIDIA, spécialement adaptée par réglage fin supervisé et apprentissage par renforcement pour résoudre des tâches complexes d’algorithmique et de mathématiques théoriques.
Quels résultats le modèle a-t-il obtenus aux Olympiades 2026 ?
Le modèle a décroché le niveau médaille d’or aux Olympiades internationales d’informatique 2026 avec 535,4 points sur 600, et a remporté la médaille d’or aux Olympiades internationales de mathématiques 2026 avec 30 points sur 42.
Les poids et le code de Nvidia Nemotron 3 sont-ils disponibles ?
Oui, NVIDIA a publié les points de contrôle, le banc d’essai Nemotron-IMO-Bench et les jeux de données sur la plateforme Hugging Face, tandis que le pipeline d’inférence et d’évaluation est intégré au dépôt public NeMo-Skills.
Comment fonctionne la méthode de raisonnement GenCorrect ?
GenCorrect est une technique de calcul au moment de l’inférence qui repose sur un cycle itératif de génération, d’évaluation critique et de correction des solutions, permettant d’éliminer les failles algorithmiques avant la soumission finale.