ሳንሱር-አልባ Nemotron API

አብዛኞቹ "ክፍት" ሞዴሎች ክፍት ክብደቶች ብቻ ናቸው፣ ከዚያ ውጪ ምንም የላቸውም — የመለኪያዎች tarball፣ ፈቃድ፣ እና ቁጥሮቹ ከየት እንደመጡ ስለመናገር ዝምታ። Nemotron ለሁለት ዓመታት ወጥ የሆነ ልዩ ነው፦ NVIDIA ክብደቶቹን፣ የድህረ-ሥልጠና የውሂብ ስብስቦችን፣ የRL environmentsንና የምግብ አዘገጃጀቱን ያቀርባል። ይህ ለሳንሱር-አልባ የመዳረሻ ነጥብ ማምለጥ ቀላል በሆነ መንገድ ጠቃሚ ነው። የማስተካከያ ውሂቡ የታተመ ሞዴል፣ የእምቢታ ባህርዩን ከመገመት ይልቅ ስለእሱ ማመዛዘን የሚቻልበት ሞዴል ነው — እና ሦስተኛ ወገን ወደ አፉ የተጣበቀ የይዘት ማጣሪያ ሳይኖረው ህጋዊ በሆነ መንገድ ሊያሰማራው የሚችለው ሞዴል ነው።

01Nemotron 3 Ultra ምንድን ነው?

Nemotron 3 Ultra የNVIDIA Nemotron 3 ቤተሰብ ትልቁ አባል ነው፣ ወደ Hugging Face በሰኔ 4, 2026 የተለቀቀ። የNVIDIA ቴክኒካዊ ሪፖርት «550 ቢሊዮን ጠቅላላና 55 ቢሊዮን ንቁ መለኪያ ያለው የኤክስፐርቶች-ድብልቅ ድብልቅ-Mamba-Attention የቋንቋ ሞዴል» ሲል ይገልጸዋል — በግምት 10% የአውታረ መረቡ ክፍል በማንኛውም ቶክን ላይ ይሠራል፣ ይህም ግማሽ-ትሪሊዮን-መለኪያ ሞዴልን ለማገልገል ጨርሶ ተግባራዊ የሚያደርገው ነው።

የተዘገበው አቀማመጥ 108 ንብርብሮች በ8,192 የሞዴል ልኬት ሲሆን፣ የMamba-2 ግዛት-ቦታ ንብርብሮችን ከሳሳ ሙሉ attention ንብርብሮች ስብስብ ጋር ያዋህዳል፣ በአንድ MoE ንብርብር 512 ኤክስፐርቶች በtop-22 routing። ቅድመ-ሥልጠናው በግምት 20 ትሪሊዮን የጽሑፍ ቶክኖች ላይ በሁለት ደረጃዎች ተካሂዷል — መጀመሪያ ብዝሃነት-ተኮር፣ ከዚያም ጥራት-ተኮር — በመስከረም 2025 ገደብ፣ 12 የተፈጥሮ ቋንቋዎችና 43 የፕሮግራሚንግ ቋንቋዎች። ድህረ-ሥልጠናው SFT፣ ብዙ-environment RL ከሚረጋገጡ ሽልማቶች ጋር፣ እና Multi-Teacher On-Policy Distillationን በአስር ከሚበልጡ ስፔሻሊስት አስተማሪዎች ላይ ተጠቅሟል። የተገለጸው የንድፍ ዒላማ ረጅም-አድማስ ወኪሎች ናቸው፦ ትልቅ ዐውድ የያዙ፣ በደርዘን የሚቆጠሩ ጊዜ መሣሪያዎችን የሚጠሩ፣ እና በበቂ ርዝመት የሚሮጡ ስለዚህ በአንድ-ቶክን ኢኮኖሚክስ የደረሰኙ ላይ የበላይ የሚሆኑ ክፍለ-ጊዜዎች።

02የNemotron ዘር ሐረግ፣ እና ይህ ዘር ሐረግ ለምን አስፈላጊ እንደሆነ

Nemotron ነጠላ ልቀት አይደለም። ከ2024 ጀምሮ በተመሳሳይ አቅጣጫ ሲሮጥ የቆየ የNVIDIA የምርምር ፕሮግራም የሚታይ ውጤት ነው፣ እያንዳንዱ ትውልድም አሁን ባለው ሞዴል ውስጥ የሚቀጥል ነገር ትቶ አልፏል። Nemotron-4 340B (ሰኔ 2024) ክፍት synthetic የውሂብ ማመንጫ ቧንቧ መስመር፣ የሽልማት ሞዴሉንና አመንጪውን ይዞ ተለቀቀ፣ እንዲሁም ያልተለመደ ይፋ ማድረግ ጋር፦ የማስተካከያ ውሂቡ ዋነኛው ክፍል ሞዴል-የተመነጨ ነበር። ሞዴሉ እንደ ትንቢተኛ ሳይሆን እንደ የውሂብ ፋብሪካ መሆኑ የቀጣዮቹ Nemotron ልቀቶች ከክብደቶች ጎን ለጎን የውሂብ ስብስቦችን ማቅረባቸውን የቀጠሉበት ምክንያት ነው።

Llama-Nemotron — ማጥፋት የምትችሉት ማመዛዘን

የ2025 Llama-Nemotron ቤተሰብ (LN-Nano 8B፣ LN-Super 49B፣ LN-Ultra 253B) በደንብ የቆዩ ሁለት ሐሳቦችን አበርክቷል። የመጀመሪያው ሥነ ሕንጻዊ ነበር፦ የNVIDIA Puzzle neural architecture search በብሎክ-ደረጃ የተጨመቁ transformer ብሎኮች ቤተ-መጻሕፍት ገንብቶ በmixed-integer programming ገጣጠማቸው፣ አንዳንድ ብሎኮች attentionን ሙሉ በሙሉ የሚዘሉ ወይም በአንድ ነጠላ linear ንብርብር የሚተኩ ሞዴሎችን አስገኘ፣ FFN Fusion ደግሞ ተከታታይ feed-forward ብሎኮችን ወደ ያነሱ፣ ሰፋ ያሉ፣ ትይዩ ብሎኮች አጣጠፈ — የተከታታይ ጥልቀትን እንጂ የመለኪያ ብዛትን የሚቀንስ አልነበረም። LN-Ultra በአንድ ነጠላ 8×H100 ኖድ ላይ ገጠመ፣ በNVIDIA ወረቀት መሠረትም DeepSeek-R1ን በGPQA-Diamond ላይ በልጦ (76.0% ከ71.5% ጋር)።

ሁለተኛው ባህርያዊ ነበር፦ Llama-Nemotron ተለዋዋጭ የማመዛዘን መቀያየሪያ ያለው የመጀመሪያው ክፍት ቤተሰብ ነበር፣ የሥልጠና ውሂብን በስርዓት መመሪያው ውስጥ detailed thinking on ወይም detailed thinking off ብሎ የሚለይ፣ በon-ሁነታም <think> መለያዎችን የሚያስገድዱ የቅርጸት ሽልማቶች ያሉት። አንድ የክብደቶች ስብስብ፣ ሁለት ባህርያት፣ በግምት-ጊዜ ሊመረጡ የሚችሉ። የNemotron 3ው የማመዛዘን በጀት ቁጥጥር — እና በኛ API ላይ ያለው reasoning_effort parameter — ከዚያ ሥራ በቀጥታ የመጣ ነው።

Nemotron 3 — ወደ ድብልቅ የተደረገ ለውጥ

Nemotron 3 የLlama ተዋጽኦውን በባዶ-ከተጀመረ ድብልቅ ሥነ ሕንጻ ተካ፣ LatentMoEንም ጨመረ (ቶክኖችን ከመምራት በፊት መጨመቅ፣ NVIDIA "ለተመሳሳይ የግምት ወጪ 4 እጥፍ ብዙ ኤክስፐርቶች" እንደሚያስችል የሚናገረው)፣ እንዲሁም multi-token predictionንና ተወላጅ NVFP4 ቅድመ-ሥልጠናን። NVIDIA ከክብደቶቹ ጎን ለጎን ድምር 50 ሚሊዮን SFT ናሙናዎችን፣ 2 ሚሊዮን RL ተግባራትንና 55 RL environmentsን አትሟል — ሞዴሉ የተማረውን ነገር ከአቅራቢ ቃል መቀበል አያስፈልጋችሁም፣ ምክንያቱም የማስተማሪያ ቁሳቁሱ ለማውረድ ስለሚገኝ።

03ድብልቅ ሥነ ሕንጻው የሚገዛላችሁ ነገር

የtransformer KV cache ከቅደም ተከተል ርዝመት ጋር በቀጥታ ያድጋል፣ ለዚህም ነው ረጅም-ዐውድ ግምት ከስሌት በፊት በማህደረ ትውስታ ውድ የሚሆነው። የMamba-2 ንብርብሮች ቋሚ-መጠን ያለው ተደጋጋሚ ሁኔታ የያዙ state-space ሞዴሎች ናቸው፣ ስለዚህ በአንድ-ቶክን የማህደረ ትውስታ ወጪያቸው ከታሪክ ጋር አያድግም፤ የማይመቻቸው ግን ትክክለኛ associative ማስታወስ ነው። ድብልቁ ለአብዛኛው የቅደም ተከተል ማቀናበሪያ Mamba-2ን ይይዛል፣ state-space ንብርብሮች ለሚያምታቱት ማስታወስ ደግሞ አነስተኛ የእውነተኛ attention ንብርብሮችን ይይዛል፣ ጠንካራ የ64-query-head / 2-KV-head ምጣኔም cacheውን ይበልጥ ያሳንሰዋል። NVIDIA በ1M ቶክኖች 94.7% በRULER ላይ ይዘግባል — መስኮት እየገለጹ የማይጠቀሙበትን ሞዴሎች ለመያዝ የተገነባ needle-retrieval መለኪያ።

ውጤቱ throughput ነው፦ NVIDIA በተመጣጣኝ ትክክለኛነት ከሚነጻጸሩ ሞዴሎች እስከ 6× ከፍ ያለ የግምት throughput እንደሚያስገኝ ይናገራል፣ Artificial Analysis ደግሞ ራሱን ችሎ 140.3 ቶክን/ሰከንድ ከ1.33-ሰከንድ የመጀመሪያ-ቶክን ጊዜ ጋር ለክቷል — ከ89 ሞዴሎች 7ኛ። በ200-ተራ የወኪል ሩጫ ላይ ያ በአንድ ከሰዓት በኋላ መጨረስና አለመጨረስ መካከል ያለው ልዩነት ነው።

04«3BIT-REAP» ማለት ምን ማለት እንደሆነ፣ በሐቀኝነት

ቅጥያው ማስዋቢያ አይደለም — መሠረቱ እንዲገጥም ምን እንደተደረገ በትክክል ይነግራችኋል።

REAP — Router-weighted Expert Activation Pruning — ከCerebras Research የመጣና ለICLR 2026 ተቀባይነት ያገኘ ነው። በሳሳ MoE ውስጥ መሪው እያንዳንዱን ቶክን ወደ ጥቂት ኤክስፐርቶች ይልካል፤ በእውነተኛ የሥራ ጫና ላይ አንዳንዶቹ ያለማቋረጥ ይመታሉ ሌሎቹ ደግሞ ከሞላ ጎደል በፍጹም። REAP እያንዳንዱን ኤክስፐርት መሪው ምን ያህል በጠንካራነት እንደሚመርጠው እና የውጤቱ አስተዋጽኦ ምን ያህል ትልቅ እንደሆነ በሚያጣምር የጎላነት መስፈርት ያስመዘግባል፣ ከዚያም እጅግ ዝቅተኛ ጎላነት ያላቸውን ፈጽሞ ያስወግዳል — Cerebras እስከ 1 ትሪሊዮን መለኪያ ካሉ ሞዴሎች እስከ 50% ኤክስፐርቶችን መከርከም መሠረታዊ ጥራትን በአብዛኛው እየጠበቀ እንደሚቻል ይዘግባል፣ ለኮድ ባሉ አመንጪ ተግባራት ላይም መከርከም ከማዋሃድ እንደሚያሸንፍ ያገኛል። 3-ቢት ኳንታይዜሽን ከዚያ የተረፈውን ይጨመቀዋል። መጀመሪያ መከርከም፣ ቀጥሎ ኳንታይዝ ማድረግ፣ ስለዚህ የቢት በጀቱ ትራፊክ በሚያሸክሙ ኤክስፐርቶች ላይ ይውላል እንጂ በሞቱት ላይ አይዘረጋም።

መጨመቅ ያለ ዋጋ አይደለም፣ ሌላ አስመስለንም አንናገርም፦ ጠንካራ ኳንታይዜሽን መጀመሪያ የሚታየው በትክክለኛ-ቅርጸት ተገዢነትና በረጅም-ሰንሰለት ስሌት ላይ በትንንሽ መጓደሎች ነው፣ በሚታይ አለመጣጣም አይደለም። ሦስቱ ደረጃዎች የሚያርፉበት፦

ቅጥያ	ምንድን ነው	የት እንደምንጠቀምበት
3BIT-REAP	3-ቢት ክብደቶች + ኤክስፐርት መከርከም	ትልልቆቹ መሠረቶች፣ በፍጥነት ሌላ ምንም የማይገጥምባቸው
W4A16-AUTOROUND-REAP	4-ቢት ክብደቶች / 16-ቢት activations፣ AutoRound የተማረ rounding፣ + መከርከም	መካከለኛ-መጠን ያላቸው መሠረቶች፤ AutoRound ከቀላል round-to-nearest የበለጠ ትክክለኛነትን ይመልሳል
W8A16	8-ቢት ክብደቶች / 16-ቢት activations	እጅግ ከፍተኛ ታማኝነት፤ ጠንካራ መጨመቅ የማያስፈልጋቸው በቂ ትንንሽ መሠረቶች

Nemotron 3 Ultra በ550B ልክ በመጀመሪያው ምድብ ውስጥ ነው። የሥራ ጫናችሁ በረጅም ሰንሰለቶች ላይ ለትክክለኛ የቁጥር ውጤት ያልተለመደ ስሜታዊ ከሆነ፣ የምርምር መረጃ ጠቋሚው የW8A16 ደረጃን ይዘረዝራል — MiMo-V2.5-Pro-W8A16 እና Hy3-W8A16 — በ$0.50/$2.00 ወለል ላይ። እውነተኛ ልውውጥ ነው፣ funnel አይደለም፦ ትንሽ ሞዴል፣ ያነሰ መጨመቅ።

05«ሳንሱር-አልባ» በዚህ የመዳረሻ ነጥብ ላይ ማለት ምን ማለት ነው

በተጨባጭ፦ የእምቢታ ንብርብር የለም፣ በውጤት ላይ የተተገበረ የይዘት ማጣሪያም የለም። ጥያቄያችሁን የሚመረምርና ዝግጁ የሆነ እምቢታ የሚመልስ ምድብ-ሰጪ የለም፣ ምላሹም ወደ ስትሪምያችሁ ከመድረሱ በፊት አይመረመርም። የምታገኙት የራሱ የሞዴሉ ባህርይ ነው።

ክፍት ዘር ሐረግ ተራ መረጃ መሆኑ የሚያቆመው እዚህ ላይ ነው። NVIDIA የድህረ-ሥልጠና ውሂብንና RL environmentsን ስላሳተመ፣ የሞዴሉ ዝንባሌዎች ከአፈ ታሪክ ይልቅ በመርህ ደረጃ ሊመረመሩ የሚችሉ ናቸው። እናም OpenMDW-1.1 ሥነ ሕንጻን፣ መለኪያዎችን፣ ሰነዶችንና ሶፍትዌርን የሚሸፍን ፍቃደኛ Linux Foundation ፈቃድ ስለሆነ፣ ራሱን ችሎ የሚሠራ አንድ ኦፐሬተር ፈቃዱ እንቅፋት ሳይሆንበት የተስተካከለ፣ ያልተጣራ ግንባታ በራሱ ሃርድዌር ላይ ማገልገል ይችላል። ብዙ «ክፍት» የሞዴል ፈቃዶች ያንን አይፈቅዱም። ይህኛው ግን ይፈቅዳል። ልዩነቱ ራስ-ሰር እምቢታ የደህንነት ባህርይ ሳይሆን ጉድለት በሆነበት ቦታ ይታያል፦

• የደህንነት ምርምር — የተጋላጭነት ትንተና፣ የexploit አመዛዘን፣ የተንኮል-አዘል ሶፍትዌር ባህርይ፣ red-team መሣሪያዎች፣ ጥያቄው ፍቃድ አለው ወይ ሳይከራከሩ።
• ኬሚስትሪ፣ ባዮሎጂና ፋርማኮሎጂ — የመጠን ስሌት፣ የግብረ-መልስ ስልቶች፣ toxicology፣ የተጣራ የመዳረሻ ነጥብ በቁልፍ-ቃል ንክኪ ብቻ የሚከለክላቸው synthesis routes።
• Adversarial ML — እውነተኛውን ማየት ለሚያስፈልጋቸው classifiers hard negatives፣ jailbreak corpora እና የበደል taxonomies።
• የክሊኒካዊ፣ የሕግና የፎረንሲክ ጽሑፍ — በተፈጥሮው ግራፊክ የሆነና በትክክል በዚህ ምክንያት ብቻ የሚከለከል የጉዳይ ቁሳቁስ።

ሳንሱር-አልባ ማለት ተጠያቂነት-አልባ ማለት አይደለም። የምታመነጩትን ትውልድ ባለቤት እናንተ ናችሁ፣ መለያውንም የእኛ Responsible Use Policy እና Terms of Service ይተዳደሩታል። የእምቢታ ንብርብርን ማስወገድ ስለ ዓላማ የሚደረግ ግምትን ያስወግዳል፤ በእናንተ ላይ የሚሠራውን ሕግ ግዴታዎቻችሁን አያስወግድም።

06STEMና ማመዛዘን፦ የታተሙት ቁጥሮች የሚናገሩት

የLlama-Nemotron ድህረ-ሥልጠና የውሂብ ስብስብ በትክክል በእነዚያ አራት ዘንጎች ዙሪያ ከተገነባ ጀምሮ የNemotronው የሥልጠና ትኩረት ሂሳብ፣ ኮድ፣ ሳይንስና መመሪያ መከተል ነው። NVIDIA ለNemotron 3 Ultra መሠረት የሚዘግበው — ባልተጨመቀው ሞዴል ላይ በአቅራቢው የተዘገቡ ቁጥሮች፣ በእኛ ያልተሮጡ:

ከቁጥሮቹ የበለጠ ዋጋ ያላቸው ሁለት ማስጠንቀቂያዎች አሉ። የSWE-Bench Verified ቁጥር ክልል ነው — NVIDIA ከ65.0% እስከ 70.4% ይዘግባል የትኛው agent harness እንደሚያሮጠው ላይ ተመስርቶ (Pi፣ OpenHands፣ Hermes፣ OpenCode፣ Mini SWE Agent)፣ ከscaffolding ብቻ የመጣ የአምስት-ነጥብ ስርጭትም የወኪልነት ውጤቶች ከሞዴሉ ይልቅ በharnessው ላይ ምን ያህል እንደሚመሠረቱ ያሳያል። Artificial Analysis ደግሞ Nemotron 3 Ultraን በIntelligence Index ላይ 48፣ ከ89 ሞዴሎች 9ኛ አድርጎ አስቀምጦታል — ጠንካራ ነው፣ የመስኩ ጫፍ ግን አይደለም፣ ራሱን ችሎ የሚያደርገው ልኬትም ከየትኛውም የአቅራቢ ስላይድ የበለጠ ክብደት የምንሰጠው ነው።

በቀዳሚው ትውልድ ላይ፣ የNVIDIA Llama-Nemotron ወረቀት LN-Ultraን 76.0% በGPQA-Diamond ላይ ከDeepSeek-R1's 71.5% እና ከLlama-3.1-405B-Instruct's 43.4% ጋር ሲወዳደር፣ እንዲሁም 80.8% በAIME 2024 ላይ ይዘግባል — የተለየ ሞዴል ነው፣ የተካተተውም የድህረ-ምረቃ-ደረጃ ሳይንስና የውድድር ሂሳብ ለሁለት ትውልዶች የቤተሰቡ ዒላማ ስለነበሩ ነው።

የመለኪያ ቁጥሮች በNVIDIA (ሰኔ 2026) ባልተጨመቀው Nemotron 3 Ultra ላይ የታተሙ፣ እና በArtificial Analysis ራሱን ችለው ለተለኩ ልኬቶች የታተሙ ናቸው። የተጨመቁ ግንባታዎች ሊለያዩ ይችላሉ። ያላረጋገጥናቸውን ወይም ምንጫቸውን ልንገልጽ የማንችላቸውን የመለኪያ ቁጥሮች አናትምም።

07ዋጋ፣ እና የቃላት-ብዛት ማስጠንቀቂያ

በሚሊዮን ግብዓት ቶክን $0.75 እና በሚሊዮን ውጤት ቶክን $3.30፣ Nemotron3Ultra በካታሎጋችን ውስጥ በግብዓት በታችኛው ሦስተኛ ላይ፣ በውጤት ደግሞ በመካከል ላይ ይቀመጣል። የተሠሩ ምሳሌዎች፣ ምክንያቱም በሚሊዮን የተመሠረተ ዋጋ ለመሰማት አስቸጋሪ ስለሆነ፦

የጥሪ ቅርጽ	ግብዓት	ውጤት	ወጪ
የተለመደ የRAG ተራ	50,000	4,000	$0.051
የረጅም ሰነድ ትንተና	150,000	8,000	$0.139
ከፍተኛ-መጠን ጥሪ	262,144	16,384	$0.251

ሙሉ-ዐውድ፣ ሙሉ-ውጤት ጥያቄ — የመዳረሻ ነጥቡ የሚቀበለው እያንዳንዱ ቶክንና የሚያመነጨው እያንዳንዱ ቶክን — በግምት 25 ሳንቲም ያስከፍላል። ተመሳሳዩ ቅርጽ በ$3.83/$19.12 ውዱ ሞዴላችን በሆነው Kimi-K3-3BIT-REAP ላይ በግምት $1.32፣ ወይም 5.3× የበለጠ ያስከፍላል።

አሁን ማስጠንቀቂያው፣ እውነተኛም ነው። Artificial Analysis Nemotron 3 Ultra በመለኪያ ስብስባቸው ውስጥ ከመካከለኛው አቻ 2.3× ብዙ የውጤት ቶክኖችን እንደሚያመነጭ ለክቷል። የማመዛዘን ሞዴሎች ስለ አስተሳሰቡ ያስከፍሏችኋል፣ ይህኛውም በርዝመት ያስባል፤ ሞዴሉ ተመሳሳዩን መልስ ለመድረስ ሦስት እጥፍ ረዘም ላለ ጊዜ የሚያመዛዝን ከሆነ በአንድ-ቶክን ደረጃ ያለ የዋጋ ብልጫ ወደ በአንድ-ተግባር ደረጃ ጉዳት ይተናል። ማቃለያው በራሱ የተካተተና በAPIያችን ላይ የተጋለጠ ነው፦ Nemotron 3 ለየማመዛዘን በጀት ቁጥጥር ድህረ-ሠልጥኗል፣ reasoning_effortም እዚህ ይደገፋል — NVIDIA ለነጠላ-አኃዝ ትክክለኛነት ልውውጥ በጣም ያነሱ የአስተሳሰብ ቶክኖችን የሚጠቀም ዝቅተኛ-ጥረት ሁነታ ይገልጻል። በምድብ ማድረግ፣ በማውጣትና በማዞር ላይ፣ ዝቅ አድርጉት ኢኮኖሚክሱም ይለወጣል፤ በአንድ ማረጋገጫ ወይም ብዙ-ፋይል refactor ላይ ደግሞ ከፍ አድርጉትና ሆን ብላችሁ ክፈሉት። ዋጋ ዝርዝሩን አንብባችሁ ከመገመት ይልቅ የራሳችሁን በአንድ-ተግባር ቶክኖች ለኩ።

08መጥራት፦ ሦስት ዘይቤዎች፣ አንድ ሞዴል

በጌትዌያችን ላይ ያለ እያንዳንዱ ሞዴል በሦስት ስትሪሚንግ API surfaces ላይ ይመልሳል፣ ስለዚህ ውህደታችሁን ሳትቀይሩ ያለ ደንበኛችሁን ወደ እሱ ማምራት ትችላላችሁ፦ /v1/chat/completions (የOpenAI ዘይቤ)፣ /v1/messages (የAnthropic ዘይቤ)፣ እና /v1/responses።

curl https://api.shannon-ai.com/v1/chat/completions \
  -H "Authorization: Bearer $SHANNON_API_KEY" \
  -H "Content-Type: application/json" \
  -d '{
    "model": "Nemotron3Ultra-3BIT-REAP",
    "reasoning_effort": "medium",
    "stream": true,
    "messages": [
      {"role": "user", "content": "Derive the worst-case cache behavior of this loop nest."}
    ]
  }'

የችሎታ ማጠቃለያ፣ ስለዚህ በውህደት ጊዜ ምንም አያስደንቃችሁም፦

ችሎታ	Nemotron3Ultra · 3BIT-REAP
የዐውድ መስኮት	262,144 ቶክኖች
በአንድ ጥያቄ ከፍተኛ ውጤት	16,384 ቶክኖች
ስትሪሚንግ	አለ
መሣሪያ መጥራት	አለ
የማመዛዘን ዱካዎች	አለ
reasoning_effort	አለ
json_schema (ጥብቅ)	አለ
response_format	አለ
እይታ / የምስል ግብዓት	የለም — ጽሑፍ-ብቻ
የእምቢታ ንብርብር	የለም

እይታ ረድፉ ብዙዎችን ይይዛል፦ Nemotron3Ultra ጽሑፍ-ብቻ ነው። ቧንቧ መስመራችሁ ምስሎችን የሚልክ ከሆነ፣ MiniMax-M3-3BIT-REAP ወይም MiMo-V2.5-W8A16ን በ$0.50/$2.00፣ ወይም Kimi-K2.6-W4A16-AUTOROUND-REAPን በ$0.78/$3.67 ተጠቀሙ — ሁሉም እይታ-ችሎታ ያላቸው፣ ሁሉም ሳንሱር-አልባ፣ ሁሉም በተመሳሳዩ 262,144-ቶክን ዐውድ ላይ። ሙሉ parameter ማጣቀሻ በAPI ሰነድ ውስጥ ነው።

09Nemotron3Ultra ከአስራ ሁለቱ መካከል የት እንደሚገባ

ካታሎጉ ተመሳሳዩን የዐውድ መስኮት፣ ተመሳሳዩን ሦስት ዘይቤዎች እና ተመሳሳዩን የእምቢታ ንብርብር አለመኖር የሚጋሩ አስራ ሁለት ሳንሱር-አልባ ሞዴሎችን ይይዛል፤ በመሠረት፣ በዋጋና በችሎታ ይለያያሉ። የNemotron ቦታ የተለየ ነው፦ ክፍት-ዘር-ሐረግ የማመዛዘን ደካሚ ፈረስ — ርካሹ አይደለም፣ እጅግ ብቁ አይደለም፣ ነገር ግን ከባህርዩ ጀርባ እጅግ ብዙ የሕዝብ ወረቀት ዱካ ያለው፣ ወደ STEMና ወደ ወኪሎች እጅግ ጠንክሮ የተስተካከለ ሞዴል ነው።

ሞዴል	ግብዓት / 1M	ውጤት / 1M	እይታ	ምረጡት ለ
MiniMax-M3 · 3BIT-REAP	$0.50	$2.00	አለ	እይታ-ችሎታ ካላቸው እጅግ ርካሹ አማራጭ
MiMo-V2.5-Pro · W8A16	$0.50	$2.00	የለም	እጅግ ከፍተኛ-ታማኝነት ኳንታይዜሽን ደረጃ
GLM-5.2 · 3BIT-REAP	$0.73	$2.34	የለም	እጅግ ርካሹ ትልቅ-መሠረት ማመዛዘን
Nemotron3Ultra · 3BIT-REAP	$0.75	$3.30	የለም	STEM፣ ወኪሎች፣ ክፍት ዘር ሐረግ
Kimi-K2.6 · W4A16-AUTOROUND-REAP	$0.78	$3.67	አለ	እይታ + AutoRound ታማኝነት
DeepSeek-V4-Pro · 3BIT-REAP	$1.95	$3.90	የለም	ጥልቅ ነጠላ-ጥሪ ትንተና
Kimi-K3 · 3BIT-REAP	$3.83	$19.12	አለ	ፍጹማዊ የችሎታ ጣሪያ

ከአስራ ሁለቱ ሰባቱ ታይተዋል። ሙሉው ካታሎግ — Laguna-S-2.1፣ inkling፣ DeepSeek-V4-Flash፣ MiMo-V2.5 እና Hy3ን ጨምሮ — በAPI ሰነዶች ውስጥ ነው። Laguna-S-2.1 የተዋቀረ ውጤትን እንደማይደግፍና inkling json_schemaን እንደማይደግፍ ልብ በሉ፤ Nemotron3Ultra ግን ሁለቱንም ይደግፋል።

በዋጋ እጅግ ቅርብ ጎረቤት GLM-5.2-3BIT-REAP በ$0.73/$2.34 ነው፣ ታማኙ ንጽጽርም ይህ ነው፦ GLM-5.2 በአንድ-ቶክን ደረጃ ይረክሳል፣ በተለይም በውጤት ላይ። Nemotron የታተመ የሥልጠና corpus፣ ግልጽ የማመዛዘን-በጀት መቆጣጠሪያ፣ እና ወደ ድህረ-ምረቃ-ደረጃ ሳይንስ ያተኮረ የቤተሰብ ታሪክ ያመጣል። ከፍተኛ-መጠን አጠቃላይ ማመዛዘን፦ ርካሹን አሮጡ። STEM-ከባድ፣ ወኪልነት-ተኮር፣ ወይም የሞዴሉ ባህርይ ከየት እንደመጣ የሚጠይቅ audit ላይ ያለ፦ Nemotron ልዩነቱን ያገኛል።

10በተደጋጋሚ የሚጠየቁ ጥያቄዎች

---

ምንጮች፦ NVIDIA Nemotron 3 Ultra ቴክኒካዊ ሪፖርት · የNVIDIA ገንቢ ብሎግ (ሰኔ 2026) · የNemotron 3 Super ሥነ ሕንጻ ማስታወሻዎች · Llama-Nemotron: Efficient Reasoning Models · Cerebras Research, REAP። የመሠረት መለኪያ ውጤቶች ከArtificial Analysis ካልተጠቀሱ በስተቀር ባልተጨመቀው ሞዴል ላይ በNVIDIA የተዘገቡ ናቸው፤ የተጨመቁ ግንባታዎች ሊለያዩ ይችላሉ። ዋጋዎችና ችሎታዎች እስከ መስከረም 5, 2026 ወቅታዊ ናቸው።