這項由NVIDIA公司在2025年1月發(fā)布的重磅研究，為我們帶來了一款名為Nemotron Nano 2的全新AI語言模型。該模型雖然只有90億個參數(shù)，但在處理復(fù)雜推理任務(wù)時的表現(xiàn)卻讓人刮目相看。更令人驚喜的是，它的運行速度比同類型的主流AI模型快了3到6倍，同時保持著相當(dāng)甚至更好的準(zhǔn)確性。這項研究的完整技術(shù)報告已于2025年1月在arXiv平臺發(fā)布，編號為arXiv:2508.14444v4，感興趣的讀者可以通過該編號在arXiv網(wǎng)站上找到完整論文。

回到AI發(fā)展的現(xiàn)狀，我們不難發(fā)現(xiàn)一個矛盾現(xiàn)象：越來越強大的AI模型往往需要更多的計算資源和時間來處理任務(wù)，就像一個聰明但行動遲緩的巨人。對于需要快速響應(yīng)的實際應(yīng)用場景來說，這種"又慢又貴"的特性無疑是個大問題。NVIDIA的研究團隊意識到了這個痛點，決定探索一條新的技術(shù)路徑：能不能造出一個"小而精"的AI模型，既保持高水準(zhǔn)的智能表現(xiàn)，又擁有閃電般的運行速度？

Nemotron Nano 2正是這種探索的結(jié)果。這個模型采用了一種全新的混合架構(gòu)設(shè)計，將兩種不同的AI技術(shù)巧妙融合在一起?？梢詫⑵淅斫鉃橐粋€精心設(shè)計的團隊合作模式：一部分成員擅長處理需要深度思考的復(fù)雜問題（Transformer結(jié)構(gòu)），另一部分成員則專門負(fù)責(zé)快速處理連續(xù)性信息（Mamba結(jié)構(gòu)）。通過這種分工協(xié)作，整個模型既保持了處理復(fù)雜推理的能力，又大幅提升了運行效率。

研究團隊首先創(chuàng)建了一個擁有120億參數(shù)的基礎(chǔ)模型，然后通過一系列精巧的技術(shù)手段將其壓縮到90億參數(shù)，就像將一個龐大的圖書館重新整理，去除冗余內(nèi)容但保留所有精華知識。整個訓(xùn)練過程使用了高達20萬億個數(shù)據(jù)樣本，這相當(dāng)于讓AI模型閱讀了人類歷史上絕大部分的文字資料。

一、革命性的混合架構(gòu)設(shè)計

Nemotron Nano 2最引人注目的特色在于其獨特的混合架構(gòu)。傳統(tǒng)的AI語言模型通常只使用一種技術(shù)架構(gòu)，就像一支只有一種兵種的軍隊。而Nemotron Nano 2則采用了"混合兵種"的策略，將Transformer和Mamba兩種技術(shù)完美結(jié)合。

Transformer技術(shù)就像是一個善于全局思考的戰(zhàn)略家，它能夠同時關(guān)注整個問題的各個方面，理解復(fù)雜的上下文關(guān)系。這種技術(shù)在處理需要深度推理的任務(wù)時表現(xiàn)卓越，但缺點是運行速度相對較慢，因為它需要對所有信息進行綜合分析。

相比之下，Mamba技術(shù)更像是一個行動敏捷的偵察兵，特別擅長處理連續(xù)性信息，運行速度極快。當(dāng)處理長篇文本或需要快速響應(yīng)的任務(wù)時，Mamba技術(shù)能夠展現(xiàn)出驚人的效率。然而，它在處理需要復(fù)雜推理的任務(wù)時可能會力不從心。

NVIDIA的研究團隊巧妙地將這兩種技術(shù)按照特定比例組合：在整個模型的62個處理層中，只有6層使用Transformer技術(shù)專門處理復(fù)雜推理，其余56層則采用Mamba技術(shù)和傳統(tǒng)的前饋網(wǎng)絡(luò)來處理其他任務(wù)。這種8%的Transformer層配比經(jīng)過精心計算，既確保了模型在復(fù)雜推理任務(wù)上的出色表現(xiàn)，又最大化了整體運行速度。

這種設(shè)計的巧妙之處在于"術(shù)業(yè)有專攻"。當(dāng)AI遇到需要深度思考的問題時，Transformer層會充分發(fā)揮作用；而在處理常規(guī)文本生成或信息檢索任務(wù)時，高效的Mamba層則會接手工作。兩者協(xié)同配合，既保證了智能水平，又實現(xiàn)了速度突破。

實驗結(jié)果證明了這種混合策略的有效性。在復(fù)雜的數(shù)學(xué)推理測試中，Nemotron Nano 2的準(zhǔn)確率達到了97.75%，在科學(xué)問題回答測試中達到了64.48%，這些成績都與那些參數(shù)規(guī)模更大的傳統(tǒng)模型相當(dāng)甚至更優(yōu)。更重要的是，在生成長篇回答的場景中，它的運行速度比同類模型快了3到6倍。

二、海量數(shù)據(jù)的智慧積累

Nemotron Nano 2的出色表現(xiàn)離不開其龐大而精心策劃的訓(xùn)練數(shù)據(jù)集。研究團隊為這個AI模型準(zhǔn)備了超過20萬億個數(shù)據(jù)樣本，這個數(shù)字意味著什么呢？如果將這些數(shù)據(jù)打印成書，大概能填滿整個地球上所有的圖書館。

然而，數(shù)據(jù)的質(zhì)量比數(shù)量更加重要。NVIDIA團隊沒有簡單地收集網(wǎng)絡(luò)上的所有文本，而是像策展人籌備頂級展覽一樣，精心挑選和處理每一份數(shù)據(jù)。他們建立了多個專門的數(shù)據(jù)處理流水線，分別處理不同類型的內(nèi)容。

在數(shù)學(xué)和科學(xué)領(lǐng)域，研究團隊開發(fā)了一套創(chuàng)新的數(shù)據(jù)提取技術(shù)。傳統(tǒng)的網(wǎng)頁提取工具往往會破壞數(shù)學(xué)公式的格式，就像用掃描儀復(fù)印手寫的數(shù)學(xué)題，結(jié)果可能面目全非。為了解決這個問題，團隊使用了一種叫做"lynx"的特殊瀏覽器來渲染網(wǎng)頁，確保數(shù)學(xué)公式和科學(xué)符號能夠完整保留。隨后，他們使用先進的AI模型（Phi-4）來清理和標(biāo)準(zhǔn)化這些內(nèi)容，將各種不同格式的數(shù)學(xué)表達式統(tǒng)一轉(zhuǎn)換為LaTeX格式，這就像為所有的數(shù)學(xué)公式制定了統(tǒng)一的"書寫標(biāo)準(zhǔn)"。

在編程代碼方面，團隊從GitHub平臺收集了大量高質(zhì)量的源代碼，但并非來者不拒。他們建立了嚴(yán)格的篩選機制：首先根據(jù)開源許可證進行過濾，只保留那些允許用于AI訓(xùn)練的代碼；然后進行重復(fù)檢測，因為網(wǎng)絡(luò)上存在大量重復(fù)的代碼文件；最后使用各種質(zhì)量指標(biāo)對代碼進行評分，只保留那些編寫規(guī)范、邏輯清晰的優(yōu)質(zhì)代碼。

多語言數(shù)據(jù)的處理同樣值得關(guān)注。團隊收集了15種語言的高質(zhì)量文本，包括阿拉伯語、中文、丹麥語、荷蘭語、法語、德語、意大利語、日語、韓語、波蘭語、葡萄牙語、俄語、西班牙語、瑞典語和泰語。為了確保每種語言的數(shù)據(jù)質(zhì)量，他們使用了語言識別技術(shù)來過濾掉質(zhì)量較差的內(nèi)容，并對所有文本進行了去重處理。

更有趣的是，團隊還生成了大量的合成數(shù)據(jù)。這就像為AI模型量身定制了專門的練習(xí)題。他們使用現(xiàn)有的強大AI模型來生成各種風(fēng)格的問答對話、數(shù)學(xué)推理過程、編程教學(xué)內(nèi)容等。這些合成數(shù)據(jù)不僅數(shù)量龐大，而且針對性很強，專門訓(xùn)練AI模型在特定任務(wù)上的能力。

在數(shù)據(jù)的組織和使用方面，團隊采用了"分階段訓(xùn)練"的策略。整個訓(xùn)練過程分為三個階段，每個階段使用不同比例的數(shù)據(jù)類型。第一階段注重數(shù)據(jù)的多樣性，讓模型接觸各種不同類型的內(nèi)容；第二階段開始側(cè)重高質(zhì)量數(shù)據(jù)，特別是科學(xué)、數(shù)學(xué)和編程相關(guān)的內(nèi)容；第三階段則主要使用最高質(zhì)量的數(shù)據(jù)來進行"精調(diào)"，確保模型的最終表現(xiàn)達到最佳狀態(tài)。

三、精密的模型訓(xùn)練過程

將Nemotron Nano 2從一個"白紙"狀態(tài)訓(xùn)練成為智能助手的過程，就像培養(yǎng)一個學(xué)生從小學(xué)一直到博士畢業(yè)的完整教育歷程。整個過程包含多個精心設(shè)計的階段，每個階段都有其特定的目標(biāo)和方法。

預(yù)訓(xùn)練階段是整個過程的基礎(chǔ)，就像給學(xué)生打基礎(chǔ)知識的小學(xué)和中學(xué)教育。在這個階段，模型需要學(xué)習(xí)人類語言的基本規(guī)律和知識結(jié)構(gòu)。研究團隊使用了一種叫做"WSD"（預(yù)熱-穩(wěn)定-衰減）的學(xué)習(xí)速度控制策略。這就像培養(yǎng)學(xué)生的學(xué)習(xí)節(jié)奏：開始時慢慢適應(yīng)（預(yù)熱），然后保持穩(wěn)定的學(xué)習(xí)強度（穩(wěn)定），最后逐漸放慢節(jié)奏來鞏固學(xué)習(xí)成果（衰減）。

整個預(yù)訓(xùn)練過程使用了20萬億個數(shù)據(jù)樣本，模型的學(xué)習(xí)速度從最高的0.00045逐步降低到0.0000045。這種學(xué)習(xí)速度的精確控制非常關(guān)鍵，太快可能導(dǎo)致"囫圇吞棗"，太慢則會浪費訓(xùn)練時間。團隊還使用了FP8精度訓(xùn)練技術(shù)，這是一種先進的數(shù)值計算方法，能夠在保持精度的同時大幅提升訓(xùn)練效率。

長文本處理能力的培養(yǎng)是另一個重要環(huán)節(jié)?，F(xiàn)實中的AI應(yīng)用經(jīng)常需要處理長篇文檔或進行長時間的對話，這就要求模型具備"長期記憶"能力。為了訓(xùn)練這種能力，研究團隊專門設(shè)計了一個長文本訓(xùn)練階段，使用長達52萬字符的文本序列進行訓(xùn)練。這相當(dāng)于讓AI模型一次性閱讀一整本中等篇幅的小說，并要求它理解和記住其中的所有細節(jié)。

對齊訓(xùn)練是讓AI模型學(xué)會"說人話"和"辦人事"的關(guān)鍵步驟。在這個階段，模型需要學(xué)習(xí)如何以符合人類期望的方式回應(yīng)各種請求。研究團隊使用了多種訓(xùn)練技術(shù)，包括監(jiān)督微調(diào)（SFT）、強化學(xué)習(xí)（RLHF）等?？梢詫⑦@個過程理解為一個實習(xí)生在資深導(dǎo)師指導(dǎo)下學(xué)習(xí)職場技能的過程。

監(jiān)督微調(diào)階段使用了大約900億個經(jīng)過精心標(biāo)注的問答樣本。這些樣本覆蓋了數(shù)學(xué)、科學(xué)、編程、多語言對話等各個領(lǐng)域。模型需要學(xué)習(xí)如何針對不同類型的問題給出合適的回答，就像一個學(xué)生在不同學(xué)科的考試中都要表現(xiàn)出色。

強化學(xué)習(xí)階段則更加復(fù)雜，它使用一種"獎懲機制"來進一步優(yōu)化模型的表現(xiàn)。當(dāng)模型給出好的回答時會得到"獎勵"，給出不當(dāng)回答時會受到"懲罰"。通過大量的試錯和調(diào)整，模型逐漸學(xué)會了如何在各種情況下都能給出高質(zhì)量的回應(yīng)。

特別值得一提的是，團隊還開發(fā)了一種"思維預(yù)算控制"技術(shù)。這項技術(shù)允許用戶控制AI模型在回答問題時的"思考時間"。當(dāng)面對簡單問題時，模型可以快速給出答案；當(dāng)遇到復(fù)雜問題時，用戶可以允許模型進行更長時間的思考。這就像給學(xué)生設(shè)定答題時間限制，既能提高效率，又能確保答題質(zhì)量。

四、模型壓縮的藝術(shù)

將一個120億參數(shù)的龐大AI模型壓縮到90億參數(shù)，同時還要保持其智能水平，這個過程就像是一場精密的"瘦身手術(shù)"。NVIDIA的研究團隊采用了一套名為"Minitron"的先進壓縮技術(shù)，這套技術(shù)的核心理念是"去除冗余，保留精華"。

模型壓縮的第一步是重要性評估。研究團隊需要判斷模型的哪些部分是真正重要的，哪些部分可以被安全移除。這個過程就像整理一個塞滿物品的儲物間，需要仔細評估每件物品的價值和使用頻率。團隊開發(fā)了一套精密的評估體系，能夠量化每個神經(jīng)元層和每個參數(shù)的重要程度。

在層級壓縮方面，團隊采用了迭代式的重要性測試方法。他們會臨時移除某個處理層，然后測試模型在各種任務(wù)上的表現(xiàn)變化。如果移除某個層后模型性能下降很小，這說明該層的重要性相對較低，可以考慮刪除。通過這種方法，他們最終將62個處理層優(yōu)化到了最佳配置。

參數(shù)剪枝是另一個關(guān)鍵技術(shù)。在神經(jīng)網(wǎng)絡(luò)中，并不是所有的連接都同等重要。研究團隊使用統(tǒng)計分析方法來識別那些對最終輸出影響微小的參數(shù)連接，然后將這些"冗余連接"剪除。這就像修剪一棵樹，去掉那些不必要的枝椏，讓主干和重要枝條能夠獲得更多的營養(yǎng)。

知識蒸餾技術(shù)在整個壓縮過程中起到了關(guān)鍵作用。這項技術(shù)的原理是讓小模型向大模型"學(xué)習(xí)"，確保在壓縮過程中不會丟失重要的知識和能力。具體來說，壓縮后的模型需要在相同的輸入下盡可能地模仿原始大模型的輸出。這個過程就像一個經(jīng)驗豐富的老師傅將自己的技藝傳授給年輕學(xué)徒，確保技藝的精髓得以傳承。

內(nèi)存優(yōu)化是模型壓縮的重要考量因素。研究團隊的目標(biāo)是讓壓縮后的模型能夠在單塊NVIDIA A10G GPU（22GB顯存）上處理長達12.8萬字符的文本。為了實現(xiàn)這個目標(biāo)，他們需要精確計算模型在不同配置下的內(nèi)存占用，包括模型參數(shù)存儲、中間計算結(jié)果緩存等各個方面。

經(jīng)過精心的壓縮和優(yōu)化，最終的Nemotron Nano 2模型在保持高準(zhǔn)確性的同時，實現(xiàn)了顯著的性能提升。在數(shù)學(xué)推理任務(wù)上，它的準(zhǔn)確率達到了91.36%，在科學(xué)問答任務(wù)上達到了59.5%，這些成績都非常接近壓縮前的120億參數(shù)版本。更重要的是，在實際應(yīng)用中，壓縮后的模型運行速度比同類競品快了3到6倍。

五、全面的性能驗證

為了全面驗證Nemotron Nano 2的實際能力，研究團隊設(shè)計了一套涵蓋多個維度的測試體系。這就像給一位全能運動員安排各種不同項目的比賽，全方位檢驗其能力水平。

數(shù)學(xué)推理能力測試是最重要的驗證項目之一。團隊使用了多個國際認(rèn)可的數(shù)學(xué)測試基準(zhǔn)，包括GSM8K基本數(shù)學(xué)問題、MATH高級數(shù)學(xué)競賽題目，以及最具挑戰(zhàn)性的AIME美國數(shù)學(xué)邀請賽題目。在這些測試中，Nemotron Nano 2表現(xiàn)出色：在基礎(chǔ)數(shù)學(xué)問題上的準(zhǔn)確率達到91.36%，在高級數(shù)學(xué)競賽中達到80.50%，在AIME測試中也有30%的通過率。這些成績不僅超過了同等規(guī)模的其他模型，甚至與一些更大規(guī)模的模型相比也毫不遜色。

科學(xué)知識理解能力通過GPQA-Diamond測試進行評估，這是一個專門測試研究生水平科學(xué)知識的基準(zhǔn)。Nemotron Nano 2在這項測試中獲得了59.5%的準(zhǔn)確率，證明它不僅能夠理解基礎(chǔ)科學(xué)概念，還能處理相當(dāng)復(fù)雜的科學(xué)推理問題。

編程能力驗證使用了HumanEval和MBPP兩個編程測試基準(zhǔn)。這些測試要求模型根據(jù)問題描述編寫出正確的程序代碼。Nemotron Nano 2在這些測試中的平均準(zhǔn)確率達到了58.5%，展現(xiàn)了其扎實的編程邏輯理解能力。

多語言能力測試覆蓋了15種不同的語言。研究團隊使用全球多語言理解基準(zhǔn)（Global-MMLU）來評估模型在不同語言環(huán)境下的表現(xiàn)。結(jié)果顯示，Nemotron Nano 2在所有測試語言上都表現(xiàn)出色，平均準(zhǔn)確率達到69.94%，這證明了其良好的跨語言理解和生成能力。

長文本處理能力通過RULER基準(zhǔn)進行測試，這個測試要求模型處理長達12.8萬字符的文本。Nemotron Nano 2在這項測試中獲得了82.22%的準(zhǔn)確率，表明它具備了處理長篇文檔和進行長時間對話的能力。

運行效率測試是最令人印象深刻的部分。研究團隊在相同的硬件條件下對比了Nemotron Nano 2與其他主流模型的運行速度。結(jié)果顯示，在典型的推理場景中（8000字符輸入，16000字符輸出），Nemotron Nano 2的運行速度比Qwen3-8B快了6.3倍，比其他同類模型也有3到4倍的速度優(yōu)勢。

工具調(diào)用能力通過BFCL v3基準(zhǔn)測試，評估模型是否能夠正確理解和使用各種外部工具。Nemotron Nano 2在這項測試中的準(zhǔn)確率達到66.34%，展現(xiàn)了良好的工具集成和使用能力。

指令遵循能力通過IFEval基準(zhǔn)評估，測試模型是否能夠準(zhǔn)確理解和執(zhí)行復(fù)雜的指令。Nemotron Nano 2在嚴(yán)格模式下的準(zhǔn)確率達到89.39%，證明了其優(yōu)秀的指令理解和執(zhí)行能力。

六、實際應(yīng)用場景展望

Nemotron Nano 2的出色性能和高效運行特性為其在實際應(yīng)用中開辟了廣闊的前景。這個AI模型就像一個多才多藝的助手，能夠在各種不同的場景中發(fā)揮作用。

在教育領(lǐng)域，Nemotron Nano 2可以充當(dāng)智能輔導(dǎo)老師的角色。它不僅能夠解答各種數(shù)學(xué)和科學(xué)問題，還能夠根據(jù)學(xué)生的理解程度調(diào)整解釋的詳細程度。當(dāng)面對基礎(chǔ)問題時，它能夠快速給出簡潔的答案；當(dāng)遇到復(fù)雜問題時，它可以展示詳細的推理過程，幫助學(xué)生理解解題思路。更重要的是，它支持15種不同語言，能夠為全球范圍內(nèi)的學(xué)生提供教育支持。

在商業(yè)辦公環(huán)境中，這個AI模型可以成為高效的文檔處理助手。它能夠快速閱讀和總結(jié)長篇報告、分析數(shù)據(jù)表格、協(xié)助編寫各種商業(yè)文檔。由于其出色的運行速度，員工不需要等待很長時間就能獲得AI的協(xié)助，大大提高了工作效率。

軟件開發(fā)領(lǐng)域是另一個重要的應(yīng)用方向。Nemotron Nano 2的編程能力使其能夠協(xié)助程序員完成代碼編寫、錯誤調(diào)試、代碼優(yōu)化等任務(wù)。它不僅能夠理解多種編程語言，還能夠根據(jù)需求描述自動生成相應(yīng)的程序代碼。對于開發(fā)團隊來說，這相當(dāng)于擁有了一個隨時待命的編程助手。

在客戶服務(wù)方面，Nemotron Nano 2的快速響應(yīng)能力和多語言支持使其成為理想的智能客服系統(tǒng)。它能夠理解客戶的各種問題，提供準(zhǔn)確的解答，并且能夠處理復(fù)雜的多輪對話。由于其運行速度快，客戶不需要等待很長時間就能獲得滿意的回復(fù)。

科研工作也是一個很有前景的應(yīng)用領(lǐng)域。研究人員可以使用Nemotron Nano 2來協(xié)助文獻閱讀、數(shù)據(jù)分析、實驗設(shè)計等工作。它的長文本處理能力使其能夠快速閱讀大量科研論文并提取關(guān)鍵信息，為研究人員節(jié)省大量時間。

個人學(xué)習(xí)和娛樂方面，Nemotron Nano 2可以成為理想的學(xué)習(xí)伙伴。它能夠解答各種知識性問題，協(xié)助完成作業(yè)，甚至可以進行創(chuàng)意寫作和頭腦風(fēng)暴。由于其運行效率高，用戶可以在普通的個人電腦或移動設(shè)備上流暢使用。

特別值得注意的是，Nemotron Nano 2的"思維預(yù)算控制"功能為用戶提供了靈活的使用選擇。在需要快速回應(yīng)的場景中，用戶可以設(shè)置較短的思考時間來獲得快速答案；在需要深入分析的情況下，用戶可以允許模型進行更長時間的思考來獲得更高質(zhì)量的回答。

整個研究的意義遠不止于創(chuàng)造了一個新的AI模型。NVIDIA團隊展示了一條在保持AI智能水平的同時大幅提升運行效率的技術(shù)路徑。這種混合架構(gòu)設(shè)計理念和模型壓縮技術(shù)將會影響整個AI行業(yè)的發(fā)展方向，推動更多高效、實用的AI應(yīng)用的誕生。

說到底，Nemotron Nano 2代表著AI技術(shù)發(fā)展的一個重要里程碑。它證明了我們不必在智能水平和運行效率之間做出艱難選擇，通過巧妙的技術(shù)設(shè)計和精心的優(yōu)化，我們可以同時獲得高智能和高效率。這對于AI技術(shù)的普及應(yīng)用具有重要意義，讓更多的人能夠在日常工作和學(xué)習(xí)中享受到AI技術(shù)帶來的便利。

歸根結(jié)底，這項研究為我們描繪了一個更加美好的AI應(yīng)用前景：既智能又高效的AI助手將不再是昂貴的奢侈品，而是人人都能使用的實用工具。隨著這種技術(shù)的不斷發(fā)展和完善，我們有理由期待一個AI技術(shù)真正融入日常生活的時代即將到來。對于那些希望深入了解這項技術(shù)細節(jié)的讀者，建議查閱NVIDIA發(fā)布的完整技術(shù)報告，可通過arXiv編號2508.14444v4進行檢索。

Q&A

Q1：Nemotron Nano 2相比其他AI模型有什么特別之處？

A：Nemotron Nano 2最大的特色是采用了混合架構(gòu)設(shè)計，將Transformer和Mamba兩種技術(shù)結(jié)合，既保持了高準(zhǔn)確性，又實現(xiàn)了3到6倍的速度提升。它只有90億參數(shù)，但在數(shù)學(xué)推理、科學(xué)問答、編程等任務(wù)上的表現(xiàn)甚至超過了一些參數(shù)更多的大型模型。

Q2：普通人能用上Nemotron Nano 2嗎？需要什么硬件條件？

A：NVIDIA已經(jīng)開源了Nemotron Nano 2，普通人可以通過Hugging Face平臺獲取。它被設(shè)計為能在單塊NVIDIA A10G GPU上運行，處理長達12.8萬字符的文本。雖然仍需要專業(yè)硬件，但相比其他大型AI模型，硬件要求已經(jīng)大大降低。

Q3：Nemotron Nano 2的"思維預(yù)算控制"功能是如何工作的？

A：這個功能允許用戶控制AI模型的"思考時間"。面對簡單問題時，可以設(shè)置短時間快速回答；遇到復(fù)雜問題時，可以給模型更多時間深入思考。系統(tǒng)通過計算生成的"思考"標(biāo)記數(shù)量來控制，超過預(yù)算后會自動插入結(jié)束標(biāo)記，讓模型給出最終答案。