一句话看懂：NVIDIA 开源的 Nemotron 3 Ultra 模型在芯片设计中的 RTL 编码任务上，借助 ACE-RTL 智能体框架实现了 97.1% 的测试通过率，同时每轮迭代仅消耗 6629 个 token，准确率和效率均超过 GLM 5.2 和 Kimi K2.6 等开源模型。
事件核心：发生了什么
NVIDIA 在官方博客中公布了 Nemotron 3 Ultra 的评估结果。该模型在专门面向寄存器传输级（RTL）设计的 CVDP（综合 Verilog 设计问题）基准上，使用 ACE-RTL 智能体框架进行测试。ACE-RTL 模拟了硬件工程师的真实工作流：生成代码、运行工具验证、分析失败原因、迭代修改。在九个任务类别（包括代码补全、规格转代码、模块修改、调试等）中，Nemotron 3 Ultra 的平均通过率达到 97.1%，高于 Kimi K2.6 的 95.2% 和 GLM 5.2 的 92.1%。更关键的是，其 token 消耗最低——每轮迭代平均 6629 个，比 GLM 5.2 少约 28%，比 Kimi K2.6 少 71%。在调试任务（cid016）上，Nemotron 3 Ultra 配合 ACE-RTL 实现了 100% 通过率，而独立使用模型时仅 65.7%。
为什么重要
当前芯片设计的瓶颈已从计算能力转向工程人力。RTL 编码需要处理时序行为、反复与 EDA 工具交互，一次生成的代码很少直接可用。ACE-RTL 智能体通过“生成-测试-反思”循环显著提升成功率，但它对底层 LLM 的推理质量和上下文利用率要求极高。Nemotron 3 Ultra 在同等代理框架下同时拿到最高准确率和最低 token 成本，意味着芯片设计团队可以在相同预算内完成更多次迭代，或更早获得正确结果。这在 AI 辅助硬件设计领域是一个明确的技术分水岭：既开源又高效的模型将加速 EDA 工具链的智能化改造，减少对昂贵闭源 API 的依赖。
对用户/开发者/创作者的影响
硬件工程师和芯片设计团队可以直接受益：Nemotron 3 Ultra 的开源特性（模型权重可获取）允许在自有基础设施上部署和微调，降低 API 调用成本；ACE-RTL 智能体框架可集成到现有设计流程中，减少手动调试时间。对于开发 AI 代理工具的开发者，Nemotron 3 Ultra 的低 token 消耗意味着更低的推理成本和更快的响应，尤其适合 RTL 工具链的嵌入。此外，开源社区可基于该模型和 ACE-RTL 流程构建更丰富的辅助工具，如自动故障定位、测试激励生成等。不过目前公开信息显示，ACE-RTL 框架尚处于研究阶段，尚未成为商业化产品。
AI 工具推荐
想把多个 AI 模型放在一个入口？
GamsGo AI 集成 ChatGPT、DeepSeek、Gemini、Claude、Midjourney、Veo 等常用模型，适合写作、绘图、视频和日常 AI 工作流。
推广链接：通过此链接购买，我可能获得佣金，不影响你的价格。
值得关注的后续
一是 NVIDIA 是否会进一步公开 Nemotron 3 Ultra 的完整权重、训练配方以及 RTL 对齐的微调数据，这将决定开源硬件社区能否复现和优化。二是 ACE-RTL 智能体框架是否会集成到主流 EDA 工具（如 Cadence、Synopsys 的流程中）或形成独立 SaaS 服务。三是其他开源模型（如 GLM、Kimi）是否会在 token 效率上跟进改进，或者推出针对 RTL 的专用版本。四是该方案在更复杂、更大型的真实芯片项目（如 SoC 级设计）上的实际表现值得观察。
