Nemotron 3 reasoning-effort controls (chat_template_kwargs.enable_thinking/low_effort, reasoning_budget) silently ignored on both /v1/chat/c

快速结论：在 Ollama 的 OpenAI 兼容端点（/v1/chat/completions）中使用 NVIDIA Nemotron 3 模型时，官方推荐的 reasoning-effort 控制字段（chat_template_kwargs.enable_thinking/low_effort、reasoning_budget）会静默失效，因为 Ollama 不支持 extra_body 字段解析。正确的替代方案是使用 OpenAI 标准参数 reasoning_effort（取值 none / medium / high）来控制思考深度。

适用环境：Ollama 0.20.4，模型 nemotron-3-super:120b（nemotron_h_moe 架构，Q4_K_M 量化），已确认可在 OpenAI 兼容路由和原生 /api/chat 路由复现。

最快修复方案：在 OpenAI 兼容端点中，改用 reasoning_effort 参数替代 chat_template_kwargs 和 reasoning_budget。Ollama 维护者实测：reasoning_effort="none" 产生 0 字符思考内容，"medium" 约 1241 字符，"high" 约 1790 字符，控制效果方向正确且可预期。

注意事项：Ollama 原生路由（/api/chat）对 Nemotron 3 的 reasoning 控制字段支持情况在 Issue 中未被验证修复，如果必须使用原生路由，需等待后续版本支持或改用 OpenAI 兼容路由。

问题场景

用户运行 Ollama 0.20.4 并加载 NVIDIA Nemotron 3 120B 模型，先后通过 OpenAI 兼容路由（POST /v1/chat/completions，字段放在 extra_body 中）和原生路由（POST /api/chat，字段提升为顶层键）发送相同的代码审查提示词，期望通过 chat_template_kwargs.enable_thinking、chat_template_kwargs.low_effort 和 reasoning_budget 控制模型的思考深度和推理预算。实测中这些字段对生成的 reasoning 内容量没有产生方向一致的调节效果，且 enable_thinking=false 时生成的 reasoning 反而比无约束基线更多。

报错原文

Nemotron 3 reasoning-effort controls (chat_template_kwargs.enable_thinking/low_effort, reasoning_budget) silently ignored on both /v1/chat/completions and /api/chat
A3 (reasoning explicitly **off**) produced **more** reasoning (19372 chars) than the unconstrained A0 baseline (13224 chars) — reasoning was not suppressed at all.
A2 (smaller budget, 256) produced **more** reasoning than A1 (larger budget, 1024) on both API surfaces (9846 > 7776 compat; 14707 > 7153 native) — budget ordering is inverted, not merely noisy.

原因分析

可能原因：extra_body 并不是 OpenAI API 规范的标准部分（参考 OpenAI Chat Completions API 官方文档字段列表），因此 Ollama 的 OpenAI 兼容端点在解析请求时不会读取 extra_body 下嵌套的 chat_template_kwargs 和 reasoning_budget，这些字段实际上从未到达模型的 chat template 或采样器。用户在 Issue 中观察到的 reasoning 长度波动，本质上是模型默认 temperature=1 下的随机采样噪声，不是字段控制的结果。Ollama 对思维链/推理深度的标准控制方式是通过 OpenAI 兼容端点中的 reasoning_effort 参数实现，它不在 extra_body 中传递，而是作为请求顶层字段。

环境排查

确认 Ollama 版本：Issue 报告为 0.20.4，建议升级到最新版后重测 reasoning_effort 支持情况
确认模型拉取参数：使用 ollama show --parameters 检查模型 blob 上是否设置了 temperature、top_p 等默认值
检查调用端代码是否把 reasoning_effort 放在请求顶层（而非 extra_body 内）
确认使用的 API 端点：OpenAI 兼容路由为 /v1/chat/completions，原生路由为 /api/chat

解决步骤

停止在 extra_body 中传 chat_template_kwargs 和 reasoning_budget，该字段不是 OpenAI API 标准部分，Ollama 不会解析。
改用 OpenAI 兼容端点，在请求顶层传入 reasoning_effort 字段，取值可为 "none"、"medium" 或 "high"，分别对应关闭思考、中等思考深度、高思考深度。
如需精细控制推理预算（如 NVIDIA RAG 2.5 指南推荐的 low_effort=true + reasoning_budget=256），可优先尝试结合 reasoning_effort=”medium” 与系统提示词中的长度约束来近似实现。
如果必须使用原生路由 /api/chat，可优先尝试将 reasoning_effort 作为顶层请求键传入；该方案在 Issue 中未被验证，仅作为推测性替代。

验证方法

使用 curl 对同一模型和相同的简单提示词分别发送 reasoning_effort="none"、"medium"、"high" 请求，检查返回的 choices[0].message.reasoning 长度。如果控制生效，应观察到 none 约为 0 字符、medium 适中、high 最长（Ollama 维护者实测参考值：none=0，medium=1241，high=1790）。另外可用一组重复请求（建议 7 次以上）验证字段效果的方向一致性是否稳定，排除温度=1 的采样随机性干扰。