NVIDIA especializa o Nemotron 3 e atinge nível de ouro na IOI 2026 e na IMO 2026

Fala aí, beleza? A mesma família de modelos acabou de chegar ao nível de ouro em duas olimpíadas que medem coisas quase opostas 😀

De um lado está a IOI, onde o que vale é código que passa em testes ocultos

Do outro está a IMO, onde o que vale é prova matemática rigorosa, escrita em linguagem natural

E nas duas o ponto de partida foi o Nemotron 3

Em 7 de outubro de 2026 a NVIDIA detalhou isso no blog da Hugging Face, num post assinado por Aleksander Ficek, Igor Gitman, Sean Narenthiran, Mehrzad Samadi e Somshubra Majumdar

A ideia central é pegar o Nemotron 3 e especializar o modelo com fine-tuning supervisionado (SFT), aprendizado por reforço (RL) e inferência guiada por feedback

Bora ver o que saiu, o que foi publicado e onde estão as letras miúdas?

Como foi o resultado do Nemotron na IOI 2026

Na IOI 2026, o Nemotron-3-Ultra-CC com SFT e a estratégia GenCorrect fez 535,4 de 600 pontos

O corte de ouro foi 361,12 e a maior nota humana foi 498,27, então ele passou dos dois

Mas se liga no detalhe: a rodada foi ao vivo e prospectiva, com as mesmas restrições de tempo, acesso à internet e submissões dos competidores humanos

Só que foi um benchmark não oficial e sem supervisão, que ficou fora do ranking oficial da IOI

Ou seja, não tem medalha no pódio, tem desempenho no nível de ouro, beleza?

Quais modelos a NVIDIA treinou para programação?

Para programação competitiva, a NVIDIA reuniu 22 mil problemas e gerou traces sintéticos de raciocínio

Que trace? É o registro do raciocínio que leva até a solução, e não só o código final

Com esse material saíram dois especialistas:

• Nemotron-3-Nano-CC: 30 bilhões de parâmetros totais e 3 bilhões ativos, passou por SFT e RL
• Nemotron-3-Ultra-CC: 550 bilhões de parâmetros totais e 55 bilhões ativos, passou só por SFT

Se você já acompanhou outros modelos da família, como o Nemotron Nano 9B v2, aqui o papo é outro: são versões ajustadas para uma tarefa bem específica

O que é o GenCorrect?

O GenCorrect é a estratégia iterativa de gerar, avaliar e refinar usada na hora da inferência

Se você já programou com teste automatizado, a lógica é bem parecida: escreve, roda, vê o que quebrou, corrige e repete

Só que aqui quem faz o ciclo inteiro é o modelo, em várias rodadas de feedback

Quem quiser o detalhe rodada por rodada encontra no artigo técnico da parte de programação

E o peso desse loop aparece MUITO bem nos números da IOI 2025, logo abaixo…

Quanto o fine-tuning melhorou o Nemotron na IOI 2025

Para mostrar o valor da especialização, a NVIDIA usou a IOI 2025 como referência

A progressão do Nano ficou assim:

O corte de ouro naquela edição era 438,3, então só com o GenCorrect o Nano cruzou a linha

O Ultra-CC, com a mesma estratégia, chegou a 502

O que esses números mostram?

No Nano, o SFT respondeu pela maior parte do ganho, e o RL somou uma melhora menor, mas consistente

No Ultra a coisa foi ainda mais direta: uma única época de SFT bastou para superar o Nano totalmente pós-treinado na IOI, no ICPC e no LiveCodeBench Pro

Quer dizer, adaptar não precisa ter a mesma cara em todo tamanho de modelo, e foi esse achado que guiou o Ultra-CC usado na IOI 2026

Como o Nemotron fez 30 pontos na IMO 2026

Na matemática, o ponto de partida foi o Nemotron 3 Ultra

A NVIDIA treinou um especialista com SFT e outro com RL, e usou os dois junto com o modelo geral num loop de gerar, verificar e refinar provas

O resultado foi 30 de 42 pontos, acima do corte oficial de ouro (29), com nota máxima em 4 dos 6 problemas

E aqui tem um detalhe importante: as provas enviadas foram corrigidas por avaliadores oficiais da IMO 🙂

Com quais dados o modelo de matemática foi treinado?

O corpus de SFT tem 414.890 exemplos filtrados por qualidade, distribuídos em 15.818 problemas de prova únicos

E não é só resposta final: os dados cobrem geração, refinamento, verificação e meta-verificação de provas

O post não detalha exatamente a diferença entre verificação e meta-verificação, mas dá pra entender como mais uma camada de checagem dentro do loop, usada pra garantir que a prova esteja completa antes de seguir pra etapa final

Já o modelo de RL foi treinado em 9.597 problemas de prova

Usou ferramenta externa?

Não, o sistema trabalhou só em linguagem natural, sem provador formal, sem ferramentas externas e sem acesso à internet

A escolha da submissão final ficou com uma etapa separada, de alto custo computacional

A receita de especialização em quatro etapas

A parte que mais interessa para quem desenvolve é a receita que a NVIDIA descreveu, porque ela é a mesma nos dois projetos:

1. Começar com um modelo base Nemotron forte
2. Fazer curadoria de problemas e traces de raciocínio do domínio
3. Aplicar pós-treino padrão: SFT e, quando fizer sentido, RL
4. Juntar o especialista a um loop de inferência que gera, avalia e melhora respostas candidatas

Nada de fórmula mágica, é técnica conhecida combinada do jeito certo

Segundo a NVIDIA, os resultados de nível de ouro não vieram só do fine-tuning nem só da amostragem por força bruta

Na visão da empresa, elas vieram do projeto conjunto de modelo, dados e loop de inferência

O que foi publicado na Hugging Face e sob qual licença

Do lado da matemática, a NVIDIA reuniu os artefatos na coleção Nemotron Labs IMO 2026, na Hugging Face

Lá estão os checkpoints de SFT e RL, os dois conjuntos de dados de treino e o Nemotron-IMO-Bench, um benchmark novo com problemas de nível olímpico

Já o pipeline de inferência da IMO, os prompts, as provas enviadas e um quickstart reproduzível estão no repositório NeMo-Skills

O checkpoint de RL saiu como nvidia/Nemotron-3-Labs-Ultra-Math-RL, um fine-tune do modelo base nvidia/NVIDIA-Nemotron-3-Ultra-550B-A55B-BF16, ligado ao artigo arXiv 2609.10712

A página do modelo lista a licença como "other", então vale conferir os termos exatos antes de qualquer uso, comercial ou não

E a parte de programação?

Aqui a história andou desde a primeira versão do artigo técnico

O paper arXiv da programação (2609.02849) dizia que o checkpoint de competição do Ultra-CC estava planejado para sair depois, junto com receitas de inferência e avaliação

Só que o post da NVIDIA, de 7 de outubro de 2026, já cita o modelo Nemotron-3-Ultra-CC como disponível na Hugging Face, em nvidia/NVIDIA-Nemotron-Labs-3-Competitive-Coding-550B-A55B-NVFP4

O pipeline de avaliação e inferência da IOI também já está disponível no repositório NeMo-Skills

Vale uma ressalva, porém: não ficou confirmado se esse checkpoint publicado é exatamente o mesmo usado na rodada da IOI 2026, então checar a versão antes de tentar reproduzir os números é importante

Onde ler os detalhes técnicos?

A NVIDIA publicou dois artigos no arXiv:

• Post-Training Language Models for Gold-Medal Performance in Coding Competitions (2609.02849)
• An Open Recipe for IMO Gold: Training Nemotron for Olympiad Mathematics (2609.10712)

Quem se beneficia?

Quem quer especializar modelo aberto num domínio exigente ganha uma referência concreta de dados, pós-treino e loop de inferência

E quem trabalha com matemática ou programação competitiva já tem checkpoints, dados e código para estudar de perto

Limitações dos resultados do Nemotron nas olimpíadas

Antes de sair empolgado, vale olhar o alcance real disso tudo:

• A IOI foi um benchmark não oficial e sem supervisão, que ficou fora do ranking oficial
• São resultados de competição, não de código de produção: resolver problema de olimpíada é diferente de manter sistema legado cheio de gambiarra
• Treino e inferência exigiram muito processamento, incluindo a etapa de seleção final de alto custo na IMO, ou seja, não é coisa de rodar no notebook
• Não ficou confirmado se o checkpoint de programação publicado na Hugging Face é exatamente o mesmo usado na rodada da IOI 2026

Vale acompanhar o Nemotron especializado?

O que o anúncio prova é que especialização mais um bom loop de inferência levou modelos abertos ao nível de ouro em dois domínios bem diferentes

Os artefatos da IMO já estão na Hugging Face, e o checkpoint de programação do Ultra-CC também já apareceu publicado, com o pipeline da IOI disponível no NeMo-Skills

Então sim, vale acompanhar, principalmente se você se interessa pelos resultados do Nemotron na IOI e na IMO 2026 como receita, e não só como manchete

O próximo passo é ler os artigos no arXiv e explorar a coleção da IMO na Hugging Face e o repositório NeMo-Skills, sempre conferindo a licença antes de qualquer uso

Até o próximo post! 😀