英伟达将工厂产能分配建模为混合整数线性规划，并用后训练后的Nemotron 3.5 Lightning处理供应商通话记录、天气等非结构化变量，在历史分配记录评测中决策准确率为 86.7%。
AI解读：英伟达把全球制造基地的硬件产能分配交给Palantir Foundry和cuOpt自动完成，而不是只做可视化看板。前者把设施、供应商承诺、零部件库存和生产目标串成互相连接的对象，后者直接读取这层数据求解。
之所以需要算法介入，是因为零件太多、路径太窄。一个Grace Blackwell NVL72机架有 18 个计算托盘，每个托盘要两块Grace CPU、四块Blackwell GPU和 32 个HBM3e内存封装，零件来自数千家供应商、OEM和设计合作方。装配必须等直接库存、寄售库存和外部供应商三条渠道的物料到齐，工厂分配还要按滚动两个季度的窗口每周重算。
数学优化管不了人看到的东西，比如供应商电话记录、区域天气预报、合作方邮件和地缘政治事件。英伟达因此后训练了Nemotron 3.5 Lightning，一个总参数 300 亿、每次前向约 30 亿活跃参数的开放权重混合专家模型。它在历史分配记录上的决策准确率为 86.7%，而未调优的Lightning基座只有 17.5%。
这套系统对英伟达运营团队直接有用：cuOpt不只输出每周交付计划，还会指出工厂的真实瓶颈，比如区域组装产能上限与原始内存可得性之间的差别。英伟达也确认，运营选择、计划员修改、人工覆盖和实际工厂产出会持续写回Palantir Ontology，用作后续强化学习的偏好对数据。
限制同样明确。文章称向更远未来做生产风险预测仍然困难，且生产模型与实时、未受监控的再训练严格隔离。对于关注AI落地企业供应链的人来说，这是一个把优化求解器和后训练语言模型拼在一起的具体样本，而不是通用能力的证明。
英伟达正在用Palantir Foundry和cuOpt自动完成其全球制造基地的硬件供应链分配决策。AI News的报道称，英伟达衡量运营交付的窗口从“晶圆出厂”延伸到“首个token”，并拆分为time-to-rack（从晶圆厂产出到组装完成的数据中心系统）和time-to-token（涵盖电力、冷却、网络以及首日软件就绪）。
硬件规模放大了供应约束。一个英伟达Grace Blackwell NVL72机架包含 18 个计算托盘，每个托盘需要两颗Grace CPU、四颗Blackwell GPU和 32 个HBM3e内存封装，这些零件来自数千家供应商、OEM和合同设计伙伴。为Vera Rubin架构搭建的供应链规模将是支撑Grace Blackwell网络的两倍。
装配必须等到三条指定渠道的零件到齐：直接库存、寄售库存和外部供应商。早期出货要等待延迟的组件，这会拉长英伟达称为“Time of Ownership”的指标，即设施收到物料到成品子组件离开的时长。工厂分配按滚动两个季度的窗口每周重做，以解决零件可得性、吞吐上限和客户交付排期之间的冲突。
用cuOpt解混合整数线性规划，在BOM各层级评估零件约束
为了协调这些依赖关系，英伟达运营团队用Palantir Foundry搭建了“Digital Supply Chain Intelligence”指挥中心。Foundry的Ontology把设施、供应商承诺、零部件库存和生产目标建模为互相连接的对象和链接。
英伟达cuOpt是一个用于GPU加速决策优化的开源库，它直接读取这一运营层。cuOpt把配送问题表述为以最小化TOO为目标的混合整数线性规划，在物料清单的每一层级评估零件约束。
除了输出每周交付计划，cuOpt还会识别当前的工厂限制，例如区域组装产能上限与原始内存可得性之间的差别。
后训练Nemotron 3.5 Lightning处理供应商通话、天气与邮件
仅靠数学优化无法捕捉人类计划员观察到的非结构化运营变量，包括供应商通话记录、区域天气预报、合作方邮件往来和地缘政治事件。
英伟达的应对是后训练Nemotron 3.5 Lightning，这是一个开放权重的混合专家模型，总参数 300 亿，每次前向传播约 30 亿活跃参数。
工程流水线先用NeMo Anonymizer处理历史记录以遮盖敏感运营字段，再用NeMo Data Designer以合成产能中断场景平衡训练样本，并通过NeMo AutoModel在冻结基座模型权重的情况下应用低秩适配（LoRA）参数。Palantir Autopilot负责数据血缘、模型追踪和推荐交付。
86.7% 决策准确率，但远期风险预测仍难
在历史分配记录上评测，后训练后的Nemotron 3.5 Lightning模型达到 86.7% 的决策准确率，相比之下，更大的Nemotron 3 Ultra模型为 55.5%，未调优的Lightning基座模型为 17.5%。
后训练模型还取得 58.6% 的平衡准确率和 57.5% 的宏F1分数，高于Nemotron 3 Ultra的 42% 平衡准确率和 39.5% 宏F1分数。
微调在两块英伟达B200 GPU上几分钟内完成。领域微调改善了分配决策，但报道称，向更远未来做生产风险预测仍然困难。
运营数据回写Ontology，为强化学习构造偏好对
运营选择、计划员修改、人工覆盖和观察到的工厂产出会持续写回Palantir Ontology。英伟达确认，这些数据将构成强化学习例程的偏好对，按分配精度、政策合规性和证据依据对推荐打分。
报道称，生产模型与实时及未受监控的再训练严格隔离。