Grok-4-fast最近在降本增效上的表现堪称一骑绝尘，连有「路由器」傍身的GPT5都给干趴下了。

面对如此惊艳的推理效率，很多人第一反应就是：堆卡式的算力scaling又一次大显神威了。

实际上，Grok的背后确实有英伟达的影子。

但这次立功的，或许不是老黄的显卡，而是算法。

没错，Grok-4-fast的秘密武器，被和一篇英伟达的算法论文关联在了一起。

让LLM快53倍的火箭发动机

正如Grok-4-fast所表现出来的一样，这篇论文解决了困扰行业已久的推理成本问题。

一味的硬件Scaling只会让模型厂商账单上的数字越来越长，用户耐心也在漫长的推理时间中逐渐被消耗殆尽。

为此，英伟达研究团队推出了一种全新「混合结构」模型——Jet-Nemotron。

经过一系列全面的基准测试，发现Jet-Nemotron-2B的表现与Qwen3、Qwen2.5、Gemma3和Llama3.2等顶尖开源模型不相上下，还能实现约53倍的速度提升。

例如在MMLU-Pro上，Jet-Nemotron-2B不仅准确率比Qwen3-1.7B-Base更高，就连生成速度也要快上47倍。

此外，Jet-Nemotron-2B即便遇上参数更大的模型也丝毫不虚，它在MMLU和MMLU-Pro上的准确率甚至可以超过DeepSeek-V3-Small和Moonlight（总参数量15B，激活参数量2.2B）。

改变这一切的关键，在于一个叫PortNAS的新框架。

不同于以往的方法，PostNAS不是从零开始训练，而是以一个预训练的全注意力模型为起点，并冻结其MLP权重，只探索注意力机制的改进。

这样一来，不仅能让训练成本直接降低几个数量级，还能有更多精力用于全面探索模型结构。

其流程包括四个核心部分：全注意力层放置、选择最优的线性注意力模块、设计更优的线性注意力模块、硬件感知架构搜索。

全注意力层放置

大多数团队会在模型的所有层里统一使用全注意力，但这会浪费算力资源。

因此，英伟达团队希望保留少量关键的全注意力层，以维持复杂任务的准确性，同时剔除冗余层以提升效率。

PostNAS的做法是：先构建一个同时包含两种注意力机制的超级网络，再通过特征蒸馏来训练子网络，最后用beam search找到最优的注意力层放置方案。

事实证明，的确并非所有注意力层都重要，不同任务依赖不同层，少量关键层即可覆盖大部分任务需求。

实验结果显示，PostNAS优于均匀放置策略——在只使用2层全注意力的情况下，PostNAS的准确率约49%，而均匀放置的准确率约40%。

选择最优的线性注意力模块

在确定了全注意力层后，英伟达团队开始进行注意力模块搜索，旨在找到目前最优的线性注意力模块。

论文评估了六种当前最先进的线性注意力模块，包括RWKV7、RetNet、Mamba2、GLA、DeltaNet和Gated DeltaNet。

这六个之中，Gated DeltaNet的准确率最高，这主要归功于两个因素：

1、数据依赖门控机制（Data-Dependent Gating Mechanism）：可以理解成一个路由器。模型会根据输入的内容，决定是更重视新信息，还是之前的历史状态，从而在不同任务里找到平衡。

2、Delta规则（Delta Rule）：不是每次都把记忆里的东西全部覆盖，而是只更新新变化的部分。这样能减少不必要的重复存储，节省内存，同时保持信息的连续性。

更优解：JetBlock

不过，英伟达并不打算止步于Gated DeltaNet，而是设计了一款比它更强的线性注意力模块——JetBlock。

卷积对线性注意力模块的准确率至关重要，然而，以往方法大多使用的是静态卷积核，它们无法根据输入自动调整特征提取方式。

相比之下，JetBlock使用动态卷积，通过在线性注意力中引入一个卷积核生成器模块，JetBlock能根据输入特征动态地产生卷积核。

结果显示，JetBlock在数学推理和检索任务上的准确率优于Gated DeltaNet，而且仍然保持了不错的生成效率。

要是跟表现最差的Mamba2比起来，JetBlock的优势就更明显了。

硬件感知架构搜索

在确定了宏观架构以及选择了线性注意力模块之后，英伟达团队进一步进行了硬件感知架构搜索，用于优化核心超参数（key/value的维度、注意力头的数量…）。

过去，参数规模通常被作为衡量模型效率的主要指标，用来指导架构设计。

但英伟达团队认为这种方法并不理想，因为参数量并不能直接反映真实硬件上的效率。

对此，他们改进的方法是：以生成吞吐量作为直接目标来选择超参数。

英伟达团队发现，相比起参数量，KV缓存大小才是影响长上下文和长文本生成吞吐量的最关键因素。而当KV缓存大小固定时，不同参数规模的模型，其生成吞吐量表现相似。

基于此，英伟达团队选择保持KV缓存大小与原始设计一致，然后在key维度、value维度和注意力头数上进行小规模网格搜索。

实验证明，优化后的版本在保持吞吐量不变的情况下，参数量增加（1.84亿 vs 1.7亿），同时数学准确率得到提升（34.8% vs 32.8%）（蓝色行代表实验组，灰色行代表对照组。）

综上，PortNAS有望为目前的AI行业带来三点影响。

1、推理阶段GPU使用时长减少47倍，这让LLM能够以更快的速度完成高质量任务。

2、更小的内存需求，这使得更廉价的硬件部署成为可能。

3、更高吞吐量，意味着模型厂商可在现有基础设施规模下服务更多用户。

而且，PostNAS提供低成本、高效率的架构探索方式，适用于任何预训练Transformer。

所以基本上，任何厂商都可以在不重新训练模型的情况下嵌入PortNAS，模型的成本可以大幅降低，同时准确率几乎不会受到影响。

此外，Jet-Nemotron居然还是开源的。

通讯作者Han Cai在Github上表示Jet-Nemotron的代码和预训练模型将在法律审查完成后发布。

感兴趣的朋友可以查看文末的链接～

Grok-4-fast的背后是英伟达？

同时看到Grok-4-fast和Jet-Nemotron二者同样惊艳且高度相似的表现，很难不让人怀疑老马和老黄这一次是不是联手了。

在Reddit上，有网友推测Grok-4-Fast应该就是基于Jet-Nemotron创造的。

Jet-Nemotron可以在不牺牲模型性能的情况下，大幅减少推理所需的计算量，这与Grok-4-fast所展现出来的能力高度相似。

这一观点能从数据上得到支撑——从Grok-4-fast的定价来看，其价格下降水平与NVIDIA对这种架构模型的预测相符（论文预计会便宜20倍到50倍）。

更重要的是，如果Jet-Nemotron能够应用于Grok，那它同样能被OpenAI、Anthropic、Google等公司部署。

也有网友不同意这种说法，认为Grok此次的降价也许只是一种营销手段，并不能从中推断出xAI是否采用了什么新技术。

他们可能只是在烧钱获取市场份额，我不认为你可以从中推断出是采用了某种特定架构。

但是，即便Grok-4-fast没有采用英伟达的技术，这篇论文也是极有价值的，因为Jet-Nemotron同样可以被用来进一步降低成本。而且，xAI也不太可能在这么短时间研究出来了另一种和Jet-Nemotron一样效果显著的技术。

当然，也可能是其他算法上的突破。如果真是这样，那仍然是极具突破性的，因为Jet-Nemotron也可以被用来进一步降低成本。但说实话，XAI真的又发现了一个能让价格再下降20倍以上的算法改进的可能性有多大呢？

不过，上述观点都只是猜测，目前这些说法都未得到xAI验证…

华人学者的又一力作

Grok-4-fast是否真的采用了这项技术我们不得而知，可以明确的是，在这项突破性研究成果背后，是华人学者的又一次集中发力——论文作者全部为华人。

论文的一作是顾煜贤，他是清华大学计算机科学与技术系交互式人工智能（CoAI）课题组的四年级博士生，师从黄民烈教授。

顾煜贤致力于提升LLM在整个生命周期中各个环节的效率，包括预训练、下游适配以及推理阶段。

近期，他的工作重点放在LLM的数据策划策略研究、高效模型架构设计，以及运用知识蒸馏技术(knowledge distillation)进行语言模型压缩。

此前，他曾在微软亚洲研究院实习，由董力博士指导。他还曾作为访问学生赴麻省理工学院HAN实验室，导师为韩松教授。

论文的通讯作者是Han Cai，他目前是NVIDIA Research的一名研究科学家

在加入NVIDIA之前，Han Cai麻省理工学院EECS获得了博士学位，他的本科和硕士均就读于上海交通大学。

Han Cai的研究重心在于高效的基础模型（扩散模型、LLM等）、EdgeAI和AutoML，除了Jet-Nemotron，他还参与了不少英伟达的重要项目，包括ProxylessNAS、Once-for-all…

目前，他的论文在Google Scholar上累计被引用超1万次。

论文：

https://arxiv.org/pdf/2508.15884v1

Github：

https://github.com/NVlabs/Jet-Nemotron

参考链接

[1]https://pub.towardsai.net/jet-nemotron-nvidias-new-ai-architecture-achieves-53x-speed-improvement-71a5cf2baeeb

[2]https://www.reddit.com/r/singularity/comments/1nmzqj5/there_is_a_very_real_possibility_that_google/

[3]https://t1101675.github.io/

[4]https://han-cai.github.io/