Necenzurirani Nemotron API

Većina „otvorenih” modela otvorena je samo po težinama i ništa više — arhiva parametara, licenca i muk o tome odakle su brojke došle. Nemotron je dvije godine dosljedan izuzetak: NVIDIA isporučuje težine, skupove podataka za post-trening, RL okruženja i recept. Za necenzuriranu krajnju tačku to je bitno na način koji je lako promašiti. Model čiji su podaci za usklađivanje objavljeni jeste model o čijem ponašanju pri odbijanju možete razmišljati umjesto da nagađate — i model koji treća strana može legitimno poslužiti bez filtera sadržaja prikovanog na njegova usta.

01Šta je Nemotron 3 Ultra?

Nemotron 3 Ultra najveći je član NVIDIA-ine porodice Nemotron 3, objavljen na Hugging Faceu 4. juna 2026. NVIDIA-in tehnički izvještaj opisuje ga kao „jezički model tipa Mixture-of-Experts, hibridni Mamba-Attention, sa 550 milijardi ukupnih i 55 milijardi aktivnih parametara” — na bilo kojem datom tokenu radi otprilike 10% mreže, a to je ono što model sa pola biliona parametara uopšte čini poslužljivim.

Prijavljeni raspored jeste 108 slojeva pri dimenziji modela od 8.192, sa Mamba-2 slojevima prostora stanja ispreplijetanim sa rijetkim skupom slojeva pune pažnje, te 512 eksperata po MoE sloju uz top-22 usmjeravanje. Predtrening je tekao na otprilike 20 biliona tekstualnih tokena u dvije faze — prvo pristrasnoj ka raznolikosti, pa ka kvalitetu — sa presjekom u septembru 2025., na 12 prirodnih i 43 programska jezika. Post-trening je koristio SFT, RL u više okruženja sa provjerljivim nagradama i Multi-Teacher On-Policy Distillation preko više od deset specijalističkih učitelja. Izrečeni cilj dizajna jesu dugotrajni agenti: sesije koje drže velik kontekst, pozivaju alate desetinama puta i traju dovoljno dugo da ekonomija po tokenu dominira računom.

02Loza Nemotrona i zašto porijeklo znači nešto

Nemotron nije jednokratna pojava. On je vidljivi izlaz NVIDIA-inog istraživačkog programa koji od 2024. ide u istom smjeru, a svaka generacija ostavila je nešto što aktuelni model i dalje nosi. Nemotron-4 340B (jun 2024.) došao je sa otvorenim cjevovodom za generisanje sintetičkih podataka, svojim modelom nagrade i svojim generatorom, uz neobično otkrivanje: ogromna većina njegovih podataka za usklađivanje bila je generisana modelom. Model kao fabrika podataka, a ne kao proročište — zato kasnija izdanja Nemotrona i dalje isporučuju skupove podataka uz težine.

Llama-Nemotron — rezonovanje koje možete isključiti

Porodica Llama-Nemotron iz 2025. (LN-Nano 8B, LN-Super 49B, LN-Ultra 253B) doprinijela je dvjema idejama koje su dobro ostarile. Prva je arhitektonska: NVIDIA-ina pretraga neuronskih arhitektura Puzzle izgradila je biblioteku blokovski destilovanih transformerskih blokova i sklopila ih mješovito-cjelobrojnim programiranjem, dajući modele u kojima neki blokovi potpuno preskaču pažnju ili je zamjenjuju jednim linearnim slojem, dok je FFN Fusion sažimao uzastopne unaprijedne blokove u manje, šire i paralelne — skraćujući sekvencijalnu dubinu, a ne broj parametara. LN-Ultra je stao na jedan čvor sa 8×H100, a prema NVIDIA-inom radu nadmašio je DeepSeek-R1 na GPQA-Diamondu (76,0% naspram 71,5%).

Druga je bila ponašajna: Llama-Nemotron je bio prva otvorena porodica sa dinamičkim prekidačem rezonovanja, koja je podatke za treniranje označavala sa detailed thinking on ili detailed thinking off u sistemskoj uputi, uz nagrade za format koje su u uključenom načinu iznuđivale <think> oznake. Jedan skup težina, dva ponašanja, birana u trenutku zaključivanja. Kontrola budžeta rezonovanja u Nemotronu 3 — i parametar reasoning_effort na našem API-ju — potiču izravno iz tog rada.

Nemotron 3 — hibridni zaokret

Nemotron 3 zamijenio je izvođenje iz Llame hibridnom arhitekturom pisanom od nule i dodao LatentMoE (sažimanje tokena prije usmjeravanja, za koje NVIDIA kaže da omogućava „4× više eksperata uz isti trošak zaključivanja”), predikciju više tokena i izvorni NVFP4 predtrening. NVIDIA je uz težine objavila kumulativno 50 miliona SFT uzoraka, 2 miliona RL zadataka i 55 RL okruženja — ne morate vjerovati proizvođaču na riječ o tome čemu je model podučen, jer je nastavni materijal moguće preuzeti.

03Šta vam hibridna arhitektura donosi

KV keš transformera raste linearno sa dužinom sekvence, i zato zaključivanje na dugom kontekstu postane skupo u memoriji prije nego u računu. Mamba-2 slojevi su modeli prostora stanja koji nose rekurentno stanje fiksne veličine, pa im memorijski trošak po tokenu ne raste sa historijom; loši su u preciznom asocijativnom dosjećanju. Hibrid zadržava Mamba-2 za najveći dio obrade sekvence plus manjinu stvarnih slojeva pažnje za dosjećanje koje slojevi prostora stanja zabrljaju, uz agresivan omjer 64 upitne glave prema 2 KV glave koji keš dodatno smanjuje. NVIDIA prijavljuje 94,7% na RULER-u pri milion tokena — benchmark traženja igle u plastu građen upravo da uhvati modele koji tvrde da imaju prozor koji ne umiju koristiti.

Posljedica je propusnost: NVIDIA tvrdi do otprilike 6× veću propusnost zaključivanja od uporedivih modela pri jednakoj tačnosti, a Artificial Analysis je nezavisno izmjerio 140,3 tokena u sekundi uz 1,33 sekunde do prvog tokena — 7. mjesto među 89 modela. Na agentskom radu od 200 poteza to je razlika između završavanja tokom popodneva i nezavršavanja.

04Šta „3BIT-REAP” znači, iskreno

Sufiks nije ukras — govori vam tačno šta je urađeno temelju da bi stao.

REAP — Router-weighted Expert Activation Pruning — dolazi iz Cerebras Researcha i prihvaćen je na ICLR 2026. U rijetkom MoE modelu usmjerivač svaki token šalje šačici eksperata; na stvarnom opterećenju neki se pogađaju stalno, a drugi gotovo nikada. REAP ocjenjuje svakog eksperta po kriteriju značajnosti koji kombinuje koliko ga snažno usmjerivač bira i koliko su veliki doprinosi njegovog izlaza, pa najmanje značajne izravno uklanja — Cerebras izvještava o obrezivanju do 50% eksperata iz modela velikih i do bilion parametara uz uglavnom očuvan osnovni kvalitet, i nalazi da za generativne zadatke poput koda obrezivanje pobjeđuje stapanje. 3-bitna kvantizacija zatim komprimuje ono što preživi. Prvo obrezati, pa kvantizovati, tako da bitni budžet ide ekspertima koji nose promet umjesto da se razmaže po mrtvima.

Kompresija nije besplatna i nećemo se praviti da jeste: agresivna kvantizacija prvo se pokaže kao mala odstupanja u poštovanju tačnog formata i u dugolančanoj aritmetici, a ne kao vidljiva nesuvislost. Gdje se tri nivoa smještaju:

Sufiks	Šta je to	Gdje ga koristimo
3BIT-REAP	3-bitne težine + obrezivanje eksperata	Najveći temelji, gdje ništa drugo ne stane uz zadržanu brzinu
W4A16-AUTOROUND-REAP	4-bitne težine / 16-bitne aktivacije, AutoRoundovo naučeno zaokruživanje, + obrezivanje	Temelji srednje veličine; AutoRound vraća tačnost u odnosu na naivno zaokruživanje na najbliže
W8A16	8-bitne težine / 16-bitne aktivacije	Najveća vjernost; temelji dovoljno mali da im agresivna kompresija ne treba

Nemotron 3 Ultra sa 550 milijardi parametara jasno pripada prvoj kategoriji. Ako je vaše opterećenje neuobičajeno osjetljivo na tačan brojčani izlaz kroz duge lance, indeks istraživanja navodi W8A16 nivo — MiMo-V2.5-Pro-W8A16 i Hy3-W8A16 — na donjoj granici od $0.50/$2.00. Stvarna razmjena, a ne lijevak: manji model, manje kompresije.

05Šta „necenzurirano” znači na ovoj krajnjoj tački

Konkretno: nema sloja odbijanja niti filtriranja sadržaja primijenjenog na izlaz. Nijedan klasifikator ne pregleda vaš prompt da bi vratio konzerviranu odbijenicu, a odgovor se ne skenira prije nego što stigne u vaš tok. Ono što dobijate jeste vlastito ponašanje modela.

Tu otvorena loza prestaje biti sitnica. Pošto je NVIDIA objavila podatke post-treninga i RL okruženja, sklonosti modela načelno su provjerljive umjesto da budu predanje. A pošto je OpenMDW-1.1 permisivna licenca Linux Foundationa koja pokriva arhitekturu, parametre, dokumentaciju i softver, nezavisni operater može na vlastitom hardveru poslužiti izmijenjeno, nefiltrirano izdanje bez licence kao prepreke. Mnoge licence „otvorenih” modela to ne dopuštaju. Ova dopušta. Razlika se vidi tamo gdje je refleksno odbijanje kvar, a ne sigurnosna funkcija:

• Sigurnosno istraživanje — analiza ranjivosti, rezonovanje o eksploatima, ponašanje zlonamjernog koda, alati za red team, bez rasprave o tome je li pitanje dopušteno.
• Hemija, biologija i farmakologija — računanje doza, mehanizmi reakcija, toksikologija, sintetski putevi koje filtrirana krajnja tačka odbija na dodir sa ključnom riječi.
• Adversarijalno mašinsko učenje — teški negativni primjeri, korpusi jailbreakova i taksonomije zloupotrebe za klasifikatore koji moraju biti vidjeli pravu stvar.
• Klinički, pravni i forenzički tekst — materijal iz predmeta koji je po prirodi grafičan i biva odbijen upravo zbog toga.

Necenzurirano ne znači neodgovorno. Vi ste vlasnik onoga što generišete, a nalog uređuju naša Politika odgovornog korištenja i Uslovi korištenja. Uklanjanje sloja odbijanja uklanja nagađanje o namjeri; ne uklanja vaše obaveze po zakonu koji se na vas primjenjuje.

06STEM i rezonovanje: šta objavljene brojke kažu

Fokus Nemotronovog treniranja bili su matematika, kod, nauka i praćenje uputstava još otkako je skup podataka za post-trening Llama-Nemotrona građen upravo oko te četiri ose. Ono što NVIDIA prijavljuje za temelj Nemotron 3 Ultra — brojke proizvođača na nekomprimovanom modelu, koje mi nismo mjerili:

Dvije ograde vrijede više od samih brojki. Rezultat na SWE-Benchu Verified je raspon — NVIDIA prijavljuje od 65,0% do 70,4% ovisno o tome koji ga agentski okvir pokreće (Pi, OpenHands, Hermes, OpenCode, Mini SWE Agent), a raspon od pet poena samo zbog skele pokazuje koliko agentski rezultati ovise o okviru, a ne o modelu. A Artificial Analysis je Nemotron 3 Ultra smjestio na 48 na svom Intelligence Indexu, 9. mjesto među 89 modela — snažno, ali ne i vrh polja, i njihovo nezavisno mjerenje je ono kojem bismo dali veću težinu nego bilo čijem proizvođačkom slajdu.

Na ranijoj generaciji, NVIDIA-in rad o Llama-Nemotronu prijavljuje LN-Ultru sa 76,0% na GPQA-Diamondu naspram 71,5% DeepSeeka-R1 i 43,4% Llame-3.1-405B-Instruct, uz 80,8% na AIME 2024 — drugi model, uključen zato što su nauka na postdiplomskom nivou i takmičarska matematika već dvije generacije cilj ove porodice.

Brojke sa benchmarkova onako kako ih je objavila NVIDIA (jun 2026.) na nekomprimovanom Nemotronu 3 Ultra, te Artificial Analysis za nezavisna mjerenja. Komprimovana izdanja mogu se razlikovati. Ne objavljujemo brojke sa benchmarkova koje nismo provjerili ili ne možemo pripisati izvoru.

07Cijena i ograda o opširnosti

Sa $0.75 po milionu ulaznih tokena i $3.30 po milionu izlaznih tokena, Nemotron3Ultra sjedi u donjoj trećini našeg kataloga po ulazu i u sredini po izlazu. Razrađeni primjeri, jer se cijena po milionu teško osjeti:

Oblik poziva	Ulaz	Izlaz	Cijena
Tipičan RAG potez	50,000	4,000	$0.051
Analiza dugog dokumenta	150,000	8,000	$0.139
Poziv maksimalne veličine	262,144	16,384	$0.251

Zahtjev sa punim kontekstom i punim izlazom — svaki token koji krajnja tačka prima i svaki koji će proizvesti — košta oko 25 centi. Isti oblik na Kimi-K3-3BIT-REAP, našem najskupljem modelu po $3.83/$19.12, košta oko $1.32, ili 5,3× više.

Sada ograda, i stvarna je. Artificial Analysis je izmjerio da Nemotron 3 Ultra kroz njihov skup benchmarkova generiše 2,3× više izlaznih tokena od medijana konkurencije. Modeli za rezonovanje naplaćuju vam promišljanje, a ovaj promišlja naširoko; prednost u cijeni po tokenu ispari u nedostatak po zadatku ako model rezonuje tri puta duže da dođe do istog odgovora. Ublažavanje je ugrađeno i izloženo na našem API-ju: Nemotron 3 je post-treniran za kontrolu budžeta rezonovanja, a reasoning_effort je ovdje podržan — NVIDIA opisuje način rada sa nižim naporom koji koristi znatno manje tokena razmišljanja uz jednocifreni gubitak tačnosti. Na klasifikaciji, izvlačenju podataka i usmjeravanju spustite ga i ekonomija se bitno mijenja; na dokazu ili refaktorisanju preko više datoteka podignite ga i platite to svjesno. Mjerite vlastite tokene po zadatku umjesto da čitate cjenovnik i pretpostavljate.

08Pozivanje: tri dijalekta, jedan model

Svaki model na gatewayu odgovara na tri strimujuće API površine, pa na njega možete uperiti postojećeg klijenta bez prepisivanja svoje integracije: /v1/chat/completions (OpenAI dijalekt), /v1/messages (Anthropicov dijalekt) i /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."}
    ]
  }'

Pregled mogućnosti, da vas ništa ne iznenadi pri integraciji:

Mogućnost	Nemotron3Ultra · 3BIT-REAP
Kontekstni prozor	262.144 tokena
Maksimalni izlaz / zahtjev	16.384 tokena
Striming	Da
Pozivanje alata	Da
Tragovi rezonovanja	Da
reasoning_effort	Da
json_schema (strogo)	Da
response_format	Da
Vid / slika na ulazu	Ne — samo tekst
Sloj odbijanja	Nema

Red o vidu ljude iznenadi: Nemotron3Ultra radi samo sa tekstom. Ako vaš cjevovod šalje slike, koristite MiniMax-M3-3BIT-REAP ili MiMo-V2.5-W8A16 po $0.50/$2.00, ili Kimi-K2.6-W4A16-AUTOROUND-REAP po $0.78/$3.67 — svi vide, svi su necenzurirani, svi na istom kontekstu od 262.144 tokena. Potpuni pregled parametara nalazi se u API dokumentaciji.

09Gdje Nemotron3Ultra stoji među dvanaest

Katalog čini dvanaest necenzuriranih modela koji dijele isti kontekstni prozor, ista tri dijalekta i isto odsustvo sloja odbijanja; razlikuju se po temelju, cijeni i mogućnostima. Nemotronova pozicija je specifična: radni konj rezonovanja otvorenog porijekla — ni najjeftiniji ni najsposobniji, ali onaj sa najviše javnog papirnog traga iza svog ponašanja, najjače podešen prema STEM-u i agentima.

Model	Ulaz / 1M	Izlaz / 1M	Vid	Birajte ga za
MiniMax-M3 · 3BIT-REAP	$0.50	$2.00	Da	Najjeftinija opcija koja vidi
MiMo-V2.5-Pro · W8A16	$0.50	$2.00	Ne	Nivo kvantizacije najveće vjernosti
GLM-5.2 · 3BIT-REAP	$0.73	$2.34	Ne	Najjeftinije rezonovanje na velikom temelju
Nemotron3Ultra · 3BIT-REAP	$0.75	$3.30	Ne	STEM, agenti, otvoreno porijeklo
Kimi-K2.6 · W4A16-AUTOROUND-REAP	$0.78	$3.67	Da	Vid + AutoRoundova vjernost
DeepSeek-V4-Pro · 3BIT-REAP	$1.95	$3.90	Ne	Duboka analiza iz jednog pokušaja
Kimi-K3 · 3BIT-REAP	$3.83	$19.12	Da	Apsolutni plafon sposobnosti

Prikazano sedam od dvanaest. Potpuni katalog — uključujući Laguna-S-2.1, inkling, DeepSeek-V4-Flash, MiMo-V2.5 i Hy3 — nalazi se u API dokumentaciji. Imajte na umu da Laguna-S-2.1 ne podržava strukturirani izlaz, a inkling ne podržava json_schema; Nemotron3Ultra podržava oboje.

Najbliži susjed po cijeni jeste GLM-5.2-3BIT-REAP po $0.73/$2.34, a pošteno poređenje glasi: GLM-5.2 je jeftiniji po tokenu, naročito na izlazu. Nemotron donosi objavljen korpus za treniranje, izričit regulator budžeta rezonovanja i porodičnu historiju usmjerenu ka nauci na postdiplomskom nivou. Opšte rezonovanje u velikom obimu: pokrenite jeftiniji. STEM-teško, agentski ili podložno reviziji koja pita odakle je ponašanje modela došlo: Nemotron zaslužuje razliku.

10Često postavljana pitanja

---

Izvori: Tehnički izvještaj o NVIDIA Nemotronu 3 Ultra · NVIDIA-in blog za programere (jun 2026.) · Bilješke o arhitekturi Nemotrona 3 Super · Llama-Nemotron: Efficient Reasoning Models · Cerebras Research, REAP. Benchmarkove temelja prijavila je NVIDIA na nekomprimovanom modelu osim gdje su pripisani Artificial Analysisu; komprimovana izdanja mogu se razlikovati. Cijene i mogućnosti važe na dan 5. septembra 2026.