NVIDIA-Ising-Calibration-1-35B-A3B
模型摘要
| 总参数数量 | 约350亿，每token 30亿激活参数（MoE稀疏激活） |
| 架构 | 混合专家视觉语言模型（MoE VLM） |
| 基础模型 | Qwen3.5-35B-A3B（256个专家，每token激活8个） |
| 上下文长度 | 262,144 tokens |
| 精度 | BF16 |
| 输入 | 图像（PNG、JPEG）+ 文本 |
| 输出 | 文本（技术分析、结论、参数提取） |
| 训练 | 两阶段顺序监督微调（72.5K条目） |
| 最低GPU要求 | 2× NVIDIA L40S（48GB）或1× H100（80GB） |
| 发布日期 | 2026年4月14日 |
| 许可证 | NVIDIA开放模型许可证，Qwen3.5-35B-A3B：Apache许可证2.0版 |
描述
NVIDIA-Ising-Calibration-1 可分析量子计算校准实验图表，并针对六个分析问题类别生成结构化技术文本。NVIDIA-Ising-Calibration-1 由 NVIDIA 开发，是一款基于 Qwen3.5-35B-A3B 构建的量子校准视觉语言模型。该模型已准备好用于商业/非商业用途。
管理条款
Ising-Calibration-1-35B-A3B 模型受 NVIDIA 开放模型许可协议 约束。
补充信息：Qwen3.5-35B-A3B 遵循 Apache License, Version 2.0。
部署地域：全球
快速开始
本模型是 Qwen3.5-35B-A3B 的微调衍生模型。请遵循 Qwen3.5-35B-A3B 服务指南 使用 vLLM 进行部署，将模型路径替换为 nvidia/NVIDIA-Ising-Calibration-1-35B-A3B。建议的推理设置：temperature=0.2，max_tokens=16384。
用例
量子计算研究人员、校准工程师和开发人员可使用此模型分析实验图表图像，并生成技术描述、实验结论、显著性评估、拟合质量评价、参数提取以及实验成功分类。在根据实验结论采取行动之前，模型输出应由领域专家进行验证。
发布日期
2026 年 4 月 14 日通过 Hugging Face 发布，链接：https://huggingface.co/nvidia/NVIDIA-Ising-Calibration-1-35B-A3B
参考文献
基准测试
| 问题类型 | Ising Cal 1 | Qwen3.5-35B base |
|---|---|---|
| Q1 技术描述 | 87.8 | 86.8 |
| Q2 实验结论 | 67.1 | 39.9 |
| Q3 实验显著性 | 64.7 | 45.7 |
| Q4 拟合质量评估 | 90.5 | 52.7 |
| Q5 参数提取 | 62.5 | 57.8 |
| Q6 实验成功性 | 75.3 | 50.6 |
| 总体 | 74.7 | 55.5 |
在 QCalEval 基准 上进行评估：涵盖 22 个实验系列的 87 种场景类型，共 243 个条目，涉及超导量子比特和中性原子。分数为 GPT-5.4 和 Gemini-3.1-Pro 评判结果的平均值。
模型架构
架构类型： 混合专家视觉语言模型（MoE VLM）
网络架构： 集成视觉编码器用于处理实验图表图像，结合 Qwen3.5-35B-A3B MoE 语言模型进行自回归文本生成。
本模型基于以下开发： Qwen3.5-35B-A3B
模型参数数量： 总参数约 350 亿，每 token 活跃参数约 30 亿（256 个专家，8 个活跃）
训练方法
阶段 1 — ICL 格式的 SFT
- 23.8K 条上下文学习格式数据
- 教授模型处理多图像演示
- 学习率：1e-5，1 个 epoch
阶段 2 — 零样本 SFT
- 48.7K 条零样本数据，通过 Qwen3.5-397B-A17B 进行 LLM 增强
- 强化对所有问题类型的单图表理解能力
- 学习率：5e-6，1 个 epoch
总训练数据： 72.5K 条数据
输入
输入类型： 图像、文本
输入格式：
- 图像：PNG、JPEG
- 文本：字符串
输入参数：
- 图像：二维（2D）
- 文本：一维（1D）
与输入相关的其他属性： 通过 OpenAI 兼容 API 提供的单图像或多图像量子校准实验图表及文本提示。建议推理设置：temperature=0.2 和 max_tokens=16384。上下文长度：262,144 个 token。
输出
输出类型： 文本
输出格式：
- 文本：字符串
输出参数：
- 文本：一维（1D）
与输出相关的其他属性： 自然语言技术分析、实验结论、显著性评估、拟合质量评价、参数提取以及实验成功分类。
我们的 AI 模型设计和/或优化为在 NVIDIA GPU 加速系统上运行。通过利用 NVIDIA 硬件和软件框架，该模型比纯 CPU 解决方案实现了更快的推理时间。
软件集成
运行时引擎：
- vLLM 搭配 FlashAttention，BF16 服务精度
支持的硬件微架构兼容性：
- NVIDIA Blackwell（
sm100，B200/B300/GB200） - NVIDIA Hopper（
sm90，H100/H200/GH200）
支持的操作系统：
- Linux（
Ubuntu 22.04+）
将基础模型和微调模型集成到 AI 系统中，需要使用特定用例数据进行额外测试，以确保安全有效的部署。遵循 V 模型方法，在单元和系统层面进行迭代测试和验证，对于在部署前降低风险至关重要。
模型版本
v1.0.0
训练与评估数据集
训练
数据模态
- 图像
- 文本
训练数据规模
共72.5K条数据（第一阶段：23.8K条ICL格式数据；第二阶段：48.7K条零样本数据）。
按数据集划分的数据收集方法
- 合成（通过Qwen3.5-397B-A17B进行LLM增强）
按数据集划分的标注方法
- 合成
特性：合成生成的量子校准实验图表及配对的分析文本。
评估数据集
基准分数：QCalEval基准零样本分数。
描述：QCalEval是一个用于量子校准图表的VLM基准：包含来自22个实验系列的87种场景类型的243条数据，涵盖超导量子比特和中性原子。它评估六种问题类型：技术描述（Q1）、实验结论（Q2）、实验意义（Q3）、拟合质量评估（Q4）、参数提取（Q5）和实验成功分类（Q6）。
按数据集划分的数据收集方法：
- 合成
按数据集划分的标注方法：
- 合成
特性：精选的量子校准实验，带有源自模拟参数的真实标签。
推理
加速引擎：采用FlashAttention的vLLM，BF16精度
测试硬件：
- 2x NVIDIA L40S（48GB）
伦理考量
NVIDIA认为可信AI是一项共同责任，开发人员在部署前应确保此模型满足其用例要求，并解决可预见的滥用问题。
有关此模型伦理考量的更多详细信息，请参见模型卡片++的偏见、可解释性、安全与安保和隐私子卡片。
请在此链接报告模型质量、风险、安全漏洞或NVIDIA AI相关问题。
引用
@misc{cao2026qcaleval,
title = {QCalEval: Benchmarking Vision-Language Models for Quantum Calibration Plot Understanding},
author = {Cao, Shuxiang and Zhang, Zijian and others},
year = {2026},
url = {https://research.nvidia.com/publication/2026-04_qcaleval-benchmarking-vision-language-models-quantum-calibration-plot},
}