Nemotron API bez cenzury

Většina „otevřených“ modelů má otevřené váhy a nic víc — tarball parametrů, licenci a mlčení o tom, odkud se čísla vzala. Nemotron je už dva roky konzistentní výjimkou: NVIDIA dodává váhy, post-trainingové datasety, RL prostředí i recept. Pro endpoint bez cenzury to znamená víc, než se na první pohled zdá. Model, jehož alignmentová data jsou zveřejněná, je model, o jehož odmítavém chování se dá uvažovat, místo aby se hádalo — a model, který smí třetí strana legitimně nasadit bez filtru obsahu přišroubovaného na ústa.

01Co je Nemotron 3 Ultra?

Nemotron 3 Ultra je největší člen rodiny Nemotron 3 od NVIDIA, vydaný na Hugging Face 4. června 2026. Technická zpráva NVIDIA ho popisuje jako „hybridní jazykový model Mamba-Attention typu Mixture-of-Experts s 550 miliardami celkových a 55 miliardami aktivních parametrů“ — na kterémkoli tokenu pracuje zhruba 10 % sítě, což je to, co dělá model s půl bilionem parametrů vůbec servírovatelným.

Uváděné uspořádání je 108 vrstev při dimenzi modelu 8 192, prokládající stavové vrstvy Mamba-2 s řídkou sadou vrstev plné pozornosti, 512 expertů na MoE vrstvu s routováním top-22. Předtrénink běžel zhruba na 20 bilionech textových tokenů ve dvou fázích — nejprve s důrazem na rozmanitost, pak na kvalitu — s uzávěrkou v září 2025, 12 přirozenými jazyky a 43 programovacími jazyky. Post-training použil SFT, RL v mnoha prostředích s ověřitelnými odměnami a vícelearnou on-policy destilaci z více než deseti specializovaných učitelů. Deklarovaným návrhovým cílem jsou dlouho běžící agenti: sezení, která drží velký kontext, volají nástroje desítkykrát a běží dost dlouho na to, aby účtu dominovala ekonomika za token.

02Linie Nemotron a proč na rodokmenu záleží

Nemotron není jednorázovka. Je to viditelný výstup výzkumného programu NVIDIA, který běží stejným směrem od roku 2024, a každá generace po sobě nechala něco, co současný model pořád nese. Nemotron-4 340B (červen 2024) přišel s otevřenou pipeline pro generování syntetických dat, se svým odměnovým modelem i generátorem, a k tomu s neobvyklým přiznáním: naprostá většina jeho alignmentových dat byla vygenerována modelem. Model jako továrna na data spíš než jako věštírna je důvod, proč pozdější vydání Nemotronu dodávají datasety vedle vah.

Llama-Nemotron — uvažování, které jde vypnout

Rodina Llama-Nemotron z roku 2025 (LN-Nano 8B, LN-Super 49B, LN-Ultra 253B) přispěla dvěma nápady, které dobře zestárly. První byl architektonický: vyhledávání neuronové architektury Puzzle od NVIDIA postavilo knihovnu blokově destilovaných transformerových bloků a poskládalo je smíšeným celočíselným programováním, což dalo modely, v nichž některé bloky pozornost úplně přeskakují nebo ji nahrazují jedinou lineární vrstvou, zatímco FFN Fusion sloučila po sobě jdoucí dopředné bloky do menšího počtu širších a paralelních — což zkracuje sekvenční hloubku, ne počet parametrů. LN-Ultra se vešel na jediný uzel 8×H100 a podle práce NVIDIA přitom překonal DeepSeek-R1 na GPQA-Diamond (76,0 % vs 71,5 %).

Druhý byl behaviorální: Llama-Nemotron byla první otevřená rodina s dynamickým přepínačem uvažování, která trénovací data označovala v systémové instrukci jako detailed thinking on nebo detailed thinking off, přičemž formátové odměny vynucovaly v zapnutém režimu značky <think>. Jedna sada vah, dvě chování, volitelná při inferenci. Řízení rozpočtu na uvažování u Nemotronu 3 — a parametr reasoning_effort na našem API — pochází přímo z téhle práce.

Nemotron 3 — hybridní obrat

Nemotron 3 nahradil odvození od Llamy hybridní architekturou postavenou od nuly a přidal LatentMoE (komprese tokenů před routováním, o níž NVIDIA říká, že umožňuje „4× více expertů za stejnou cenu inference“), predikci více tokenů a nativní předtrénink v NVFP4. NVIDIA vedle vah zveřejnila kumulativně 50 milionů SFT vzorků, 2 miliony RL úloh a 55 RL prostředí — nemusíte dodavateli věřit na slovo, co model učil, protože učební materiál je ke stažení.

03Co vám hybridní architektura přinese

KV cache transformeru roste lineárně s délkou sekvence, a proto se inference na dlouhém kontextu prodraží dřív na paměti než na výpočtu. Vrstvy Mamba-2 jsou stavové modely nesoucí rekurentní stav pevné velikosti, takže jejich paměťová cena na token s historií neroste; v čem jsou špatné, je přesné asociativní vybavování. Hybrid ponechává Mamba-2 pro většinu zpracování sekvence a k tomu menšinu skutečných vrstev pozornosti pro to vybavování, které stavové vrstvy nezvládají, přičemž agresivní poměr 64 dotazovacích hlav na 2 KV hlavy cache dál zmenšuje. NVIDIA uvádí 94,7 % na RULER při 1M tokenech — benchmark hledání jehly, postavený právě na to, aby chytil modely, které inzerují okno, jež neumí využít.

Důsledkem je propustnost: NVIDIA tvrdí až zhruba 6× vyšší propustnost inference než srovnatelné modely při stejné přesnosti a Artificial Analysis nezávisle naměřila 140,3 tokenu za sekundu s časem do prvního tokenu 1,33 sekundy — 7. místo z 89 modelů. Na běhu agenta o 200 tazích je to rozdíl mezi dokončením do odpoledne a nedokončením vůbec.

04Co „3BIT-REAP“ poctivě znamená

Přípona není ozdoba — říká vám přesně, co se se základem udělalo, aby se vešel.

REAP — Router-weighted Expert Activation Pruning — pochází z Cerebras Research a byl přijat na ICLR 2026. V řídkém MoE posílá router každý token hrstce expertů; nad reálnou zátěží jsou některé zasahovány neustále a jiné skoro nikdy. REAP boduje každého experta kritériem významnosti, které kombinuje, jak silně ho router propouští, a jak velké jsou jeho příspěvky k výstupu, a ty nejméně významné pak rovnou odstraní — Cerebras uvádí prořezání až 50 % expertů u modelů velkých až 1 bilion parametrů při do velké míry zachované výchozí kvalitě a zjišťuje, že u generativních úloh, jako je kód, prořezávání poráží slučování. 3bitová kvantizace pak zkomprimuje to, co přežilo. Nejdřív prořezat, pak kvantizovat, aby bitový rozpočet šel expertům, kteří nesou provoz, místo aby se rozmazal po mrtvých.

Komprese není zadarmo a nebudeme předstírat opak: agresivní kvantizace se nejdřív projeví drobným zhoršením přesného dodržení formátu a dlouhých aritmetických řetězců, ne viditelnou nesouvislostí. Kam padají tři tiery:

Přípona	Co to je	Kde ji používáme
3BIT-REAP	3bitové váhy + prořezání expertů	Největší základy, kde se nic jiného rychle nevejde
W4A16-AUTOROUND-REAP	4bitové váhy / 16bitové aktivace, naučené zaokrouhlování AutoRound, + prořezání	Středně velké základy; AutoRound vrací přesnost oproti naivnímu zaokrouhlování na nejbližší
W8A16	8bitové váhy / 16bitové aktivace	Nejvyšší věrnost; základy dost malé na to, aby agresivní kompresi nepotřebovaly

Nemotron 3 Ultra s 550B parametrů patří jednoznačně do první kategorie. Pokud je vaše zátěž nezvykle citlivá na přesný číselný výstup přes dlouhé řetězce, výzkumný rozcestník uvádí tier W8A16 — MiMo-V2.5-Pro-W8A16 a Hy3-W8A16 — na spodní hranici $0.50/$2.00. Skutečný obchod, ne trychtýř: menší model, méně komprese.

05Co na tomhle endpointu znamená „bez cenzury“

Konkrétně: není tu žádná vrstva odmítání a na výstup se neaplikuje žádné filtrování obsahu. Žádný klasifikátor neprohlíží váš prompt, aby vrátil konzervované odmítnutí, a odpověď se před vstupem do vašeho streamu neskenuje. Dostanete vlastní chování modelu.

Tady přestává být otevřený původ pouhou zajímavostí. Protože NVIDIA zveřejnila post-trainingová data i RL prostředí, jsou dispozice modelu v principu auditovatelné, ne folklorní. A protože OpenMDW-1.1 je permisivní licence Linux Foundation pokrývající architekturu, parametry, dokumentaci i software, může nezávislý provozovatel servírovat upravené, nefiltrované nasazení na vlastním hardwaru, aniž by mu v tom bránila licence. Mnoho licencí „otevřených“ modelů to nedovoluje. Tahle ano. Rozdíl se projeví tam, kde je reflexivní odmítání chyba, ne bezpečnostní funkce:

• Bezpečnostní výzkum — analýza zranitelností, uvažování o exploitech, chování malwaru, nástroje pro red teaming, bez dohadování o tom, jestli je otázka povolená.
• Chemie, biologie a farmakologie — počítání dávek, reakční mechanismy, toxikologie, syntetické cesty, které filtrovaný endpoint odmítne při kontaktu s klíčovým slovem.
• Adversariální ML — těžké negativy, korpusy jailbreaků a taxonomie zneužití pro klasifikátory, které to skutečné musely vidět.
• Klinické, právní a forenzní texty — případový materiál, který je ze své podstaty drastický a přesně proto bývá odmítán.

Bez cenzury neznamená bez odpovědnosti. Za to, co vygenerujete, ručíte vy, a účet se řídí naší Politikou odpovědného užívání a Podmínkami služby. Odstranění vrstvy odmítání odstraňuje dohad o úmyslu; neodstraňuje vaše povinnosti podle práva, které se na vás vztahuje.

06STEM a uvažování: co říkají zveřejněná čísla

Trénink Nemotronu se soustředí na matematiku, kód, vědu a dodržování instrukcí od doby, kdy byl post-trainingový dataset Llama-Nemotron postaven přesně kolem těchhle čtyř os. Co NVIDIA uvádí pro základ Nemotron 3 Ultra — čísla uváděná dodavatelem pro nekomprimovaný model, která jsme sami neměřili:

Dvě výhrady, které mají větší cenu než ta čísla. Údaj SWE-Bench Verified je rozsah — NVIDIA uvádí 65,0 % až 70,4 % podle toho, který agentní harness ho spouští (Pi, OpenHands, Hermes, OpenCode, Mini SWE Agent), a pětibodový rozptyl daný jen lešením ukazuje, jak moc agentní skóre závisí na harnessu, ne na modelu. A Artificial Analysis zařadila Nemotron 3 Ultra na 48 bodů svého Intelligence Indexu, 9. místo z 89 modelů — silné, ne špička pole, a jejich nezávislé měření je to, kterému bychom dali větší váhu než jakémukoli slajdu dodavatele.

U starší generace uvádí práce NVIDIA o Llama-Nemotronu pro LN-Ultra 76,0 % na GPQA-Diamond proti 71,5 % u DeepSeek-R1 a 43,4 % u Llama-3.1-405B-Instruct, k tomu 80,8 % na AIME 2024 — jiný model, uvedený proto, že věda na úrovni doktorského studia a soutěžní matematika jsou cílem téhle rodiny už dvě generace.

Benchmarková čísla tak, jak je zveřejnila NVIDIA (červen 2026) pro nekomprimovaný Nemotron 3 Ultra, a Artificial Analysis pro nezávislá měření. Komprimované buildy se mohou lišit. Nezveřejňujeme benchmarková čísla, která jsme neověřili nebo která nedokážeme přiřadit ke zdroji.

07Cena a výhrada k upovídanosti

Při $0.75 za milion vstupních tokenů a $3.30 za milion výstupních tokenů sedí Nemotron3Ultra ve spodní třetině naší nabídky na vstupu a uprostřed na výstupu. Rozpracované příklady, protože cena za milion se špatně představuje:

Tvar volání	Vstup	Výstup	Cena
Typický tah RAG	50,000	4,000	$0.051
Analýza dlouhého dokumentu	150,000	8,000	$0.139
Volání maximální velikosti	262,144	16,384	$0.251

Požadavek s plným kontextem a plným výstupem — každý token, který endpoint přijme, a každý token, který vyprodukuje — stojí zhruba 25 centů. Stejný tvar na Kimi-K3-3BIT-REAP, našem nejdražším modelu za $3.83/$19.12, stojí asi $1.32, tedy 5,3× víc.

A teď ta výhrada, a je skutečná. Artificial Analysis naměřila, že Nemotron 3 Ultra generuje napříč jejich sadou benchmarků 2,3× více výstupních tokenů než medián konkurence. Uvažovací modely vám účtují i to přemýšlení a tenhle přemýšlí zeširoka; cenová výhoda za token se vypaří do nevýhody za úlohu, pokud model uvažuje třikrát déle, aby došel ke stejné odpovědi. Zmírnění je vestavěné a vystavené na našem API: Nemotron 3 byl post-trénován na řízení rozpočtu na uvažování a reasoning_effort je tu podporován — NVIDIA popisuje režim s nižším úsilím, který používá podstatně méně tokenů na přemýšlení výměnou za jednociferný pokles přesnosti. U klasifikace, extrakce a routování ho stáhněte dolů a ekonomika se výrazně změní; u důkazu nebo refaktoringu přes více souborů ho zvedněte a zaplaťte za to vědomě. Změřte si vlastní počet tokenů na úlohu, místo abyste četli ceník a předpokládali.

08Jak ho volat: tři dialekty, jeden model

Každý model na bráně odpovídá na třech streamovacích API rozhraních, takže na něj můžete namířit existujícího klienta bez přepisování integrace: /v1/chat/completions (dialekt OpenAI), /v1/messages (dialekt Anthropic) a /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."}
    ]
  }'

Přehled schopností, aby vás při integraci nic nepřekvapilo:

Schopnost	Nemotron3Ultra · 3BIT-REAP
Kontextové okno	262 144 tokenů
Max. výstup / požadavek	16 384 tokenů
Streamování	Ano
Volání nástrojů	Ano
Uvažovací stopy	Ano
reasoning_effort	Ano
json_schema (striktní)	Ano
response_format	Ano
Vidění / obrazový vstup	Ne — pouze text
Vrstva odmítání	Žádná

Řádek o vidění lidi zaskočí: Nemotron3Ultra je pouze textový. Pokud vaše pipeline posílá obrázky, použijte MiniMax-M3-3BIT-REAP nebo MiMo-V2.5-W8A16 za $0.50/$2.00, případně Kimi-K2.6-W4A16-AUTOROUND-REAP za $0.78/$3.67 — všechny umí vidění, všechny jsou bez cenzury, všechny na stejném kontextu 262 144 tokenů. Úplná referenční příručka parametrů je v dokumentaci API.

09Kam Nemotron3Ultra mezi dvanácti patří

Nabídka je dvanáct modelů bez cenzury sdílejících stejné kontextové okno, stejné tři dialekty a stejnou absenci vrstvy odmítání; liší se základem, cenou a schopnostmi. Pozice Nemotronu je konkrétní: tažný kůň uvažování s otevřeným původem — ne nejlevnější, ne nejschopnější, ale ten s nejrozsáhlejší veřejnou papírovou stopou za svým chováním, vyladěný nejvíc směrem ke STEM a agentům.

Model	Vstup / 1M	Výstup / 1M	Vidění	Vyberte ho na
MiniMax-M3 · 3BIT-REAP	$0.50	$2.00	Ano	Nejlevnější volba se schopností vidění
MiMo-V2.5-Pro · W8A16	$0.50	$2.00	Ne	Kvantizační tier s nejvyšší věrností
GLM-5.2 · 3BIT-REAP	$0.73	$2.34	Ne	Nejlevnější uvažování na velkém základu
Nemotron3Ultra · 3BIT-REAP	$0.75	$3.30	Ne	STEM, agenty, otevřený původ
Kimi-K2.6 · W4A16-AUTOROUND-REAP	$0.78	$3.67	Ano	Vidění + věrnost AutoRound
DeepSeek-V4-Pro · 3BIT-REAP	$1.95	$3.90	Ne	Hlubokou analýzu na jeden zátah
Kimi-K3 · 3BIT-REAP	$3.83	$19.12	Ano	Absolutní strop schopností

Zobrazeno sedm z dvanácti. Úplná nabídka — včetně Laguna-S-2.1, inkling, DeepSeek-V4-Flash, MiMo-V2.5 a Hy3 — je v dokumentaci API. Pozor na to, že Laguna-S-2.1 nepodporuje strukturovaný výstup a inkling nepodporuje json_schema; Nemotron3Ultra podporuje obojí.

Nejbližším sousedem podle ceny je GLM-5.2-3BIT-REAP za $0.73/$2.34 a poctivé srovnání zní takto: GLM-5.2 je za token levnější, obzvlášť na výstupu. Nemotron přináší zveřejněný trénovací korpus, explicitní ovladač rozpočtu na uvažování a rodinnou historii mířící na vědu na úrovni doktorského studia. Obecné uvažování ve velkém objemu: pusťte ten levnější. Zátěž náročná na STEM, agentní nebo podléhající auditu, který se ptá, odkud se chování modelu vzalo: Nemotron ten rozdíl vydělá.

10Nejčastější dotazy

---

Zdroje: Technická zpráva NVIDIA k Nemotron 3 Ultra · Vývojářský blog NVIDIA (červen 2026) · Architektonické poznámky k Nemotron 3 Super · Llama-Nemotron: Efficient Reasoning Models · Cerebras Research, REAP. Benchmarky základu uvádí NVIDIA pro nekomprimovaný model, pokud nejsou přiřazeny k Artificial Analysis; komprimované buildy se mohou lišit. Ceny a schopnosti jsou platné k 5. září 2026.