NVIDIA Ising Calibration是一款開源視覺語言模型（VLM），專為解讀量子處理器的診斷輸出並確定如何對其進行調優而設計。
本文介紹最新發布的NVIDIA Ising Calibration 1.5模型。該版本通過分析無需預先訓練樣本的陌生診斷結果，進一步推進了基於AI的量子處理器校準能力。Ising Calibration 1.5在有相關實驗樣本可用時，還能利用這些樣本進行上下文學習，同時在BF16精度下體積縮小了11.4%，有助於在本地實驗室環境中更便捷地部署智能體校準工作流。
此次還是該模型首次推出NVFP4量化版本，支持在單張GPU或NVIDIA DGX Spark上部署，性能可與Fable 5、GPT 5.6 Sol等領先閉源模型相媲美。
Ising Calibration 1.5的訓練數據來源於多家合作夥伴的貢獻，涵蓋多種量子比特類型，包括超導量子比特、量子點、離子、中性原子、氦面電子等，重點覆蓋校準與控制領域。
該模型的性能通過QCalEval基準測試進行評估，該基準用于衡量模型解讀實驗結果、分類輸出、評估顯著性、評價擬合質量與關鍵特徵以及給出後續建議的綜合能力。關於基準測試、模型架構及評估結果的詳細資訊，可參閱《QCalEval：面向量子校準圖理解的視覺語言模型基準測試》。
評估涵蓋零樣本推理和上下文學習（ICL）兩種方式。零樣本推理對結果進行獨立分析，而ICL則在相關樣本的背景下評估結果。兩種方式對於構建能夠自動化完成量子處理器上電調試與重新調優的智能體均至關重要。
在QCalEval基準測試中，Ising Calibration 1.5在無先驗樣本的情況下展現出強勁表現，同時在利用相關實驗樣本方面相比前代模型提升了86.68%。該模型性能優於同類開源模型，並與領先的閉源模型保持競爭力。
Ising Calibration 1.5在QCalEval基準測試中超越所有開源模型，同時與千億參數級別的閉源前沿模型保持競爭力，進一步推動了AI與量子計算校準的融合發展。
這款擁有310億參數的VLM適配NVIDIA Grace Blackwell和NVIDIA Vera Rubin等數據中心級GPU。同時提供NVFP4量化版本，用戶可在消費級遊戲顯卡或NVIDIA DGX Spark上運行，精度損失極小。
該模型在DGX Spark上的每秒Token生成速度（TPS）也經過專項優化，能夠以極低成本在本地實現良好的推理吞吐量。
如需了解如何將Ising Calibration 1.5與智能體結合部署，可查看NVIDIA/Quantum-Calibration-Agent-Blueprint GitHub倉庫。
NVIDIA Ising模型系列完全開放，提供權重、數據、基準測試及訓練方案，支持用戶針對特定量子處理器進行修改、部署和微調。
Ising Calibration 1.5的完整參數檢查點已在Hugging Face上線：
Ising Calibration 1.5 31B BF16版
Ising Calibration 1.5 31B NVFP4版
該模型同時以NVIDIA NIM形式提供，並通過NVIDIA Build平台託管。Linux Foundation推出的OpenMDW許可證為量子處理器製造商和運營商提供了靈活的數據管控與任意環境部署能力。
可用的即開即用型智能體框架藍圖支持該模型及其他模型，包括大型模型雲端API。
量子校準智能體藍圖是一套部署腳本，基於NVIDIA Nemo Agent Toolkit，結合Ising Calibration 1.5快速搭建量子校準實驗自動化的智能體工作流。
Ising Calibration 1.5基於合作夥伴提供的真實量子處理器數據構建，並同步發布了語義量子校準基準測試，用於評估模型在該任務上的有效性。
Q&A
Q1：NVIDIA Ising Calibration 1.5模型是用來做什麼的？
A：NVIDIA Ising Calibration 1.5是一款開源視覺語言模型，專門用於解讀量子處理器的診斷輸出，並智能判斷如何對量子處理器進行調優。它支持零樣本推理和上下文學習兩種模式，能夠在沒有先驗樣本的情況下獨立分析結果，也可結合相關實驗樣本進行推理，從而實現量子處理器上電調試與重新調優的全自動化流程，大幅降低量子電腦校準的人工成本。
Q2：Ising Calibration 1.5相比上一代有哪些提升？
A：Ising Calibration 1.5主要有三項關鍵提升：一是上下文學習能力大幅增強，在利用相關實驗樣本時比前代模型提升了86.68%；二是模型體積在BF16精度下縮小了11.4%，更易於在本地實驗室部署；三是首次推出NVFP4量化版本，支持在單張消費級GPU或NVIDIA DGX Spark上運行，大幅降低了硬體門檻，同時精度損失極小。
Q3：QCalEval是什麼？用來評估哪些能力？
A：QCalEval是專門為量子校準任務設計的基準測試，用于衡量視覺語言模型在量子校準圖理解方面的綜合能力，具體包括：解讀實驗結果、對輸出結果進行分類、評估結果的顯著性、評價擬合質量與關鍵特徵，以及推薦後續操作步驟。該基準同時測試零樣本推理和上下文學習兩種場景，是目前評估量子校準AI模型效果的核心工具。
