Sencenzura Nemotron API
La esplora deveno de NVIDIA, publikigita malferme, servata sen rifuza tavolo: hibrida MoE Mamba-Atento kun 550 miliardoj da parametroj agordita por STEM kaj longhorizonta rezonado — je $0.75 enige / $3.30 elige por miliono da ĵetonoj.
Resume
Nemotron3Ultra-3BIT-REAP estas la sencenzura disponigo de NVIDIA Nemotron 3 Ultra ĉe Shannon — modelo laŭ Miksaĵo de Spertuloj kun 550 miliardoj da parametroj kaj 55 miliardoj aktivaj po ĵetono, eldonita la 4-an de junio 2026 kun pezoj, trejnaj datumoj kaj receptoj sub la permesema permesilo OpenMDW-1.1 de la Linux Foundation. Sur nia propra GPU-aro ĝi ruliĝas kun neniu rifuza tavolo kaj neniu filtrado de la eligo, kunteksto de 262,144 ĵetonoj, ĝis 16,384 eligaj ĵetonoj po peto, ilvokado, flusendado, rezonadaj spuroj kaj strikta eligo laŭ json_schema. Ĝi ne akceptas bildojn. Prezo: $0.75 / $3.30 por 1M ĵetonoj.
Plej multaj "malfermaj" modeloj estas malfermaj pezoj kaj nenio plia — tarbulo da parametroj, permesilo, kaj silento pri tio, de kie venis la ciferoj. Nemotron estas la konstanta escepto jam du jarojn: NVIDIA liveras la pezojn, la posttrejnajn datumarojn, la RL-mediojn kaj la recepton. Tio gravas por sencenzura finpunkto en maniero facile preteratentebla. Modelo, kies alliniga datumaro estas publikigita, estas modelo, kies rifuza konduto vi povas prijuĝi anstataŭ diveni — kaj modelo, kiun tria partio rajtas legitime disponigi sen enhavfiltrilo ŝraŭbita al ĝia buŝo.
01Kio estas Nemotron 3 Ultra?
Nemotron 3 Ultra estas la plej granda membro de la familio Nemotron 3 de NVIDIA, eldonita al Hugging Face la 4-an de junio 2026. La teknika raporto de NVIDIA priskribas ĝin kiel "lingvomodelon laŭ Miksaĵo de Spertuloj, hibridan Mamba-Atenton, kun 550 miliardoj da parametroj entute kaj 55 miliardoj aktivaj" — proksimume 10% de la reto laboras sur iu ajn donita ĵetono, kaj ĝuste tio faras duonbilionan modelon entute servebla.
La raportita aranĝo estas 108 tavoloj je modeldimensio 8,192, interplektante statspacajn tavolojn Mamba-2 kun maldensa aro da plenaj atentaj tavoloj, kun 512 spertuloj po MoE-tavolo kaj enkursigo top-22. La antaŭtrejnado ruliĝis sur proksimume 20 bilionoj da tekstaj ĵetonoj en du fazoj — unue diverseco-klinita, poste kvalito-klinita — kun limdato de septembro 2025, 12 naturaj lingvoj kaj 43 programlingvoj. La posttrejnado uzis kontrolitan fajnagordon, plurmedian RL kun kontroleblaj rekompencoj, kaj plurinstruistan surpolitikan distiladon tra pli ol dek fakaj instruistoj. La deklarita dezajna celo estas longdaŭraj agentoj: seancoj, kiuj tenas grandan kuntekston, vokas ilojn dekojn da fojoj, kaj ruliĝas sufiĉe longe por ke la po-ĵetona ekonomio regu la fakturon.
02La deveno de Nemotron, kaj kial la genealogio gravas
Nemotron ne estas unufojaĵo. Ĝi estas la videbla rezulto de esplorprogramo de NVIDIA, kiu iras en la sama direkto ekde 2024, kaj ĉiu generacio postlasis ion, kion la nuna modelo ankoraŭ portas. Nemotron-4 340B (junio 2024) venis kun malferma ĉenstablo por generado de sintezaj datumoj, kun sia rekompenca modelo kaj sia generilo, plus nekutima malkaŝo: la superforta plimulto de ĝia alliniga datumaro estis modelgenerita. La modelo kiel datumfabriko anstataŭ kiel orakolo estas la kialo, kial pli postaj eldonoj de Nemotron daŭre liveras datumarojn apud pezoj.
Llama-Nemotron — rezonado, kiun vi povas malŝalti
La familio Llama-Nemotron de 2025 (LN-Nano 8B, LN-Super 49B, LN-Ultra 253B) kontribuis du ideojn, kiuj bone maljuniĝis. La unua estis arkitektura: la neŭrala arkitektura serĉo Puzzle de NVIDIA konstruis bibliotekon de blokvice distilitaj transformilaj blokoj kaj kunmetis ilin per miksentjera programado, produktante modelojn, en kiuj kelkaj blokoj tute preterlasas atenton aŭ anstataŭigas ĝin per unu sola lineara tavolo, dum FFN Fusion kunfaldis sinsekvajn antaŭenirajn blokojn en malpli multajn, pli larĝajn, paralelajn — tranĉante sinsekvan profundon anstataŭ nombron da parametroj. LN-Ultra enteniĝis sur unu sola nodo kun 8×H100 dum ĝi, laŭ la artikolo de NVIDIA, superis DeepSeek-R1 ĉe GPQA-Diamond (76.0% kontraŭ 71.5%).
La dua estis konduta: Llama-Nemotron estis la unua malferma familio kun dinamika rezonada ŝaltilo, etikedante trejnajn datumojn per detailed thinking on aŭ detailed thinking off en la sistema instrukcio, kun formataj rekompencoj devigantaj etikedojn <think> en la ŝaltita reĝimo. Unu aro da pezoj, du kondutoj, elekteblaj je la inferenca tempo. La regado de la rezonada buĝeto de Nemotron 3 — kaj la parametro reasoning_effort sur nia API — devenas rekte de tiu laboro.
Nemotron 3 — la hibrida turno
Nemotron 3 anstataŭigis la derivadon el Llama per denaska hibrida arkitekturo kaj aldonis LatentMoE (kunpremante ĵetonojn antaŭ la enkursigo, kio laŭ NVIDIA permesas "kvaroble pli da spertuloj por la sama inferenca kosto"), plurĵetonan antaŭdiron, kaj denaskan antaŭtrejnadon en NVFP4. NVIDIA publikigis kumule 50 milionojn da SFT-ekzemploj, 2 milionojn da RL-taskoj kaj 55 RL-mediojn apud la pezoj — vi ne devas kredi la vorton de vendisto pri tio, kion la modelo lernis, ĉar la lernomaterialo estas elŝutebla.
03Kion la hibrida arkitekturo aĉetas al vi
La KV-kaŝmemoro de transformilo kreskas lineare kun la longo de la sekvenco, kaj tial longkunteksta inferenco fariĝas multekosta laŭ memoro antaŭ ol laŭ kalkulo. La tavoloj Mamba-2 estas statspacaj modeloj portantaj fiksgrandan rikuran staton, do ilia po-ĵetona memorkosto ne kreskas kun la historio; kie ili malfortas estas preciza asocia retrovo. La hibrido tenas Mamba-2 por la plejparto de la sekvenca prilaborado plus malplimulton da veraj atentaj tavoloj por la retrovo, kiun statspacaj tavoloj fuŝas, kun agresa proporcio de 64 demandkapoj al 2 KV-kapoj, kiu plu ŝrumpigas la kaŝmemoron. NVIDIA raportas 94.7% ĉe RULER je 1M ĵetonoj — benchmark de kudrilo-retrovo konstruita por kapti modelojn asertantajn fenestron, kiun ili ne povas uzi.
La sekvo estas trafluo: NVIDIA asertas ĝis proksimume 6-oble pli altan inferencan trafluon ol kompareblaj modeloj je egala precizeco, kaj Artificial Analysis sendepende mezuris 140.3 ĵetonojn sekunde kun 1.33-sekunda tempo ĝis la unua ĵetono — 7-a el 89 modeloj. Sur agenta rulo de 200 vicoj tio estas la diferenco inter fini posttagmeze kaj ne fini.
04Kion "3BIT-REAP" signifas, honeste
La sufikso ne estas ornamo — ĝi diras al vi precize, kio estis farita al la fundamento por ke ĝi enteniĝu.
REAP — Router-weighted Expert Activation Pruning — venas de Cerebras Research kaj estis akceptita al ICLR 2026. En maldensa MoE la enkursigilo sendas ĉiun ĵetonon al manpleno da spertuloj; sur vera ŝarĝo kelkaj estas trafataj konstante kaj aliaj preskaŭ neniam. REAP taksas ĉiun spertulon laŭ elstaro-kriterio kombinanta kiom forte la enkursigilo kluzas ĝin kaj kiom grandaj estas ĝiaj eligaj kontribuoj, poste forigas la malplej elstarajn tute — Cerebras raportas pritondadon de ĝis 50% de la spertuloj el modeloj same grandaj kiel 1 biliono da parametroj dum ĝi plejparte konservas la bazlinian kvaliton, kaj konstatas, ke por generaj taskoj kiel kodo pritondado venkas kunfandadon. 3-bita kvantigo poste kunpremas tion, kio postvivis. Unue pritondi, due kvantigi, por ke la bitbuĝeto iru al spertuloj, kiuj portas trafikon, anstataŭ esti ŝmirita sur mortintajn.
Kunpremo ne estas senpaga, kaj ni ne ŝajnigos alie: agresa kvantigo montriĝas unue kiel etaj degradoj en la ekzakta formata obeo kaj en longĉena aritmetiko, ne kiel videbla nekohereco. Kie la tri niveloj situas:
| Sufikso | Kio ĝi estas | Kie ni uzas ĝin |
|---|---|---|
| 3BIT-REAP | 3-bitaj pezoj + pritondado de spertuloj | La plej grandaj fundamentoj, kie nenio alia enteniĝas je rapido |
| W4A16-AUTOROUND-REAP | 4-bitaj pezoj / 16-bitaj aktivigoj, lernita rondigo AutoRound, + pritondado | Mezgrandaj fundamentoj; AutoRound reakiras precizecon kompare kun naiva rondigo al la plej proksima |
| W8A16 | 8-bitaj pezoj / 16-bitaj aktivigoj | Plej alta fideleco; fundamentoj sufiĉe malgrandaj por ne bezoni agresan kunpremon |
Nemotron 3 Ultra kun 550 miliardoj situas rekte en la unua kategorio. Se via ŝarĝo estas nekutime sentema pri ekzakta cifera eligo tra longaj ĉenoj, la esplorindekso listigas la nivelon W8A16 — MiMo-V2.5-Pro-W8A16 kaj Hy3-W8A16 — je la planko de $0.50/$2.00. Vera kompromiso, ne funelo: pli malgranda modelo, malpli da kunpremo.
05Kion "sencenzura" signifas sur ĉi tiu finpunkto
Konkrete: ekzistas neniu rifuza tavolo kaj neniu enhavfiltrado aplikata al la eligo. Neniu klasifikilo inspektas vian peton kaj redonas konservitan rifuzon, kaj la respondo ne estas skanata antaŭ ol ĝi atingas vian fluon. Kion vi ricevas, estas la propra konduto de la modelo.
Jen kie la malferma deveno ĉesas esti bagatelaĵo. Ĉar NVIDIA publikigis la posttrejnajn datumojn kaj la RL-mediojn, la emoj de la modelo estas principe reviziebla anstataŭ folkloraj. Kaj ĉar OpenMDW-1.1 estas permesema permesilo de la Linux Foundation kovranta arkitekturon, parametrojn, dokumentadon kaj programaron, sendependa operatoro rajtas servi modifitan, nefiltritan disponigon sur sia propra aparataro sen ke la permesilo estu la obstaklo. Multaj permesiloj de "malfermaj" modeloj ne permesas tion. Ĉi tiu permesas. La diferenco montriĝas tie, kie refleksa rifuzo estas cimo, ne sekureca funkcio:
- Sekureca esplorado — analizo de vundeblecoj, rezonado pri ekspluatoj, konduto de malica programaro, iloj de ruĝaj teamoj, sen disputi pri tio, ĉu la demando estas permesata.
- Kemio, biologio kaj farmakologio — dozokalkuloj, reakciaj mekanismoj, toksikologio, sintezaj vojoj, kiujn filtrita finpunkto rifuzas je ŝlosilvorta kontakto.
- Kontraŭula maŝinlernado — malfacilaj negativaj ekzemploj, korpusoj de jailbreak-oj kaj taksonomioj de misuzo por klasifikiloj, kiuj bezonas esti vidintaj la veran aferon.
- Klinikaj, juraj kaj krimmedicinaj tekstoj — kazmaterialo, kiu estas krude grafika laŭ sia naturo kaj estas rifuzata ĝuste pro tio.
Sencenzura ne signifas senresponda. Vi posedas tion, kion vi generas, kaj nia politiko pri respondeca uzo kaj niaj uzkondiĉoj regas la konton. Forigi rifuzan tavolon forigas divenon pri intenco; ĝi ne forigas viajn devojn laŭ la juro, kiu validas por vi.
06STEM kaj rezonado: kion la publikigitaj ciferoj diras
La trejna fokuso de Nemotron estis matematiko, kodo, scienco kaj sekvado de instrukcioj ekde kiam la posttrejna datumaro de Llama-Nemotron estis konstruita ĝuste ĉirkaŭ tiuj kvar aksoj. Kion NVIDIA raportas por la fundamento Nemotron 3 Ultra — ciferoj raportitaj de la vendisto pri la nekunpremita modelo, kiujn ni ne mem rulis:
Du avertoj valoras pli ol la ciferoj. La cifero pri SWE-Bench Verified estas gamo — NVIDIA raportas 65.0% ĝis 70.4% depende de tio, kiu agenta framo rulas ĝin (Pi, OpenHands, Hermes, OpenCode, Mini SWE Agent), kaj kvinpunkta disvastiĝo devenanta nur de la skafaldo montras, kiom multe agentaj poentoj dependas de la framo anstataŭ de la modelo. Kaj Artificial Analysis metis Nemotron 3 Ultra je 48 sur sia Intelligence Index, 9-a el 89 modeloj — forta, ne la pinto de la kampo, kaj ilia sendependa mezuro estas tiu, kiun ni pezus super iu ajn lumbildo de vendisto.
Pri la pli frua generacio, la artikolo de NVIDIA pri Llama-Nemotron raportas LN-Ultra je 76.0% ĉe GPQA-Diamond kontraŭ la 71.5% de DeepSeek-R1 kaj la 43.4% de Llama-3.1-405B-Instruct, plus 80.8% ĉe AIME 2024 — alia modelo, inkluzivita ĉar postdiploma scienco kaj konkursa matematiko estis la celo de la familio dum du generacioj.
Ĉiu cifero ĉi tie estas publikigita de iu alia ol ni. Kontrolu la primarajn fontojn mem.
Benchmark-ciferoj kiel publikigitaj de NVIDIA (junio 2026) pri la nekunpremita Nemotron 3 Ultra, kaj de Artificial Analysis por sendependaj mezuroj. Kunpremitaj konstruoj povas diferenci. Ni ne publikigas benchmark-ciferojn, kiujn ni ne kontrolis aŭ ne povas atribui.
07La prezo, kaj la averto pri babilemo
Je $0.75 por miliono da enigaj ĵetonoj kaj $3.30 por miliono da eligaj ĵetonoj, Nemotron3Ultra sidas en la malsupra triono de nia katalogo laŭ enigo kaj en la mezo laŭ eligo. Ellaboritaj ekzemploj, ĉar po-miliona prezado estas malfacile sentebla:
| Formo de la voko | Enigo | Eligo | Kosto |
|---|---|---|---|
| Tipa RAG-vico | 50,000 | 4,000 | $0.051 |
| Analizo de longa dokumento | 150,000 | 8,000 | $0.139 |
| Voko de maksimuma grando | 262,144 | 16,384 | $0.251 |
Peto kun plena kunteksto kaj plena eligo — ĉiu ĵetono, kiun la finpunkto akceptos, kaj ĉiu ĵetono, kiun ĝi produktos — kostas proksimume 25 cendojn. La sama formo sur Kimi-K3-3BIT-REAP, nia plej multekosta modelo je $3.83/$19.12, kostas proksimume $1.32, aŭ 5.3-oble pli.
Nun la averto, kaj ĝi estas reala. Artificial Analysis mezuris, ke Nemotron 3 Ultra generas 2.3-oble pli da eligaj ĵetonoj ol la mediana samnivelulo tra ilia benchmark-aro. Rezonadaj modeloj fakturas al vi la pensadon, kaj ĉi tiu pensas longe; avantaĝo laŭ po-ĵetona prezo vaporiĝas en malavantaĝon po tasko, se la modelo rezonas trioble pli longe por atingi la saman respondon. La mildigo estas enkonstruita kaj elmetita sur nia API: Nemotron 3 estis posttrejnita por regado de la rezonada buĝeto, kaj reasoning_effort estas subtenata ĉi tie — NVIDIA priskribas malpli-penan reĝimon, kiu uzas konsiderinde malpli da pensaj ĵetonoj kontraŭ unucifera kompromiso pri precizeco. Ĉe klasifikado, ekstraktado kaj enkursigo, malaltigu ĝin kaj la ekonomio ŝanĝiĝas materie; ĉe pruvo aŭ plurdosiera refaktorado, altigu ĝin kaj pagu por tio intence. Mezuru viajn proprajn ĵetonojn po tasko anstataŭ legi la prezoliston kaj supozi.
08Voki ĝin: tri dialektoj, unu modelo
Ĉiu modelo sur la Enirejo respondas sur tri flusendaj API-surfacoj, do vi povas direkti ekzistantan klienton al ĝi sen reverki vian integriĝon: /v1/chat/completions (dialekto de OpenAI), /v1/messages (dialekto de Anthropic), kaj /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."}
]
}'Resumo de la kapabloj, por ke nenio surprizu vin je la integriĝa momento:
| Kapablo | Nemotron3Ultra · 3BIT-REAP |
|---|---|
| Kunteksta fenestro | 262,144 ĵetonoj |
| Maksimuma eligo / peto | 16,384 ĵetonoj |
| Flusendado | Jes |
| Ilvokado | Jes |
| Rezonadaj spuroj | Jes |
reasoning_effort | Jes |
json_schema (strikta) | Jes |
response_format | Jes |
| Vido / bilda enigo | Ne — nur teksto |
| Rifuza tavolo | Neniu |
La vico pri vido kaptas homojn: Nemotron3Ultra estas nur-teksta. Se via ĉenstablo sendas bildojn, uzu MiniMax-M3-3BIT-REAP aŭ MiMo-V2.5-W8A16 je $0.50/$2.00, aŭ Kimi-K2.6-W4A16-AUTOROUND-REAP je $0.78/$3.67 — ĉiuj kapablaj pri vido, ĉiuj sencenzuraj, ĉiuj sur la sama kunteksto de 262,144 ĵetonoj. La plena referenco pri parametroj troviĝas en la API-dokumentado.
09Kie Nemotron3Ultra situas inter la dek du
La katalogo estas dek du sencenzuraj modeloj dividantaj la saman kuntekstan fenestron, la samajn tri dialektojn kaj la saman mankon de rifuza tavolo; ili diferencas laŭ fundamento, prezo kaj kapablo. La pozicio de Nemotron estas specifa: la ĉevalo de rezonado kun malferma deveno — ne la plej malmultekosta, ne la plej kapabla, sed tiu kun la plej publika papera spuro malantaŭ sia konduto, agordita plej forte al STEM kaj agentoj.
| Modelo | Enige / 1M | Elige / 1M | Vido | Elektu ĝin por |
|---|---|---|---|---|
| MiniMax-M3 · 3BIT-REAP | $0.50 | $2.00 | Jes | La plej malmultekosta opcio kun vido |
| MiMo-V2.5-Pro · W8A16 | $0.50 | $2.00 | Ne | La plej altfidela kvantiga nivelo |
| GLM-5.2 · 3BIT-REAP | $0.73 | $2.34 | Ne | La plej malmultekosta rezonado sur granda fundamento |
| Nemotron3Ultra · 3BIT-REAP | $0.75 | $3.30 | Ne | STEM, agentoj, malferma deveno |
| Kimi-K2.6 · W4A16-AUTOROUND-REAP | $0.78 | $3.67 | Jes | Vido + fideleco de AutoRound |
| DeepSeek-V4-Pro · 3BIT-REAP | $1.95 | $3.90 | Ne | Profunda unupafa analizo |
| Kimi-K3 · 3BIT-REAP | $3.83 | $19.12 | Jes | La absoluta plafono de kapablo |
Sep el dek du montritaj. La plena katalogo — inkluzive de Laguna-S-2.1, inkling, DeepSeek-V4-Flash, MiMo-V2.5 kaj Hy3 — troviĝas en la API-dokumentoj. Notu, ke Laguna-S-2.1 ne subtenas strukturitan eligon kaj inkling ne subtenas json_schema; Nemotron3Ultra subtenas ambaŭ.
La plej proksima najbaro laŭ prezo estas GLM-5.2-3BIT-REAP je $0.73/$2.34, kaj la honesta komparo estas jena: GLM-5.2 estas pli malmultekosta po ĵetono, precipe elige. Nemotron alportas publikigitan trejnan korpuson, eksplicitan agordilon de la rezonada buĝeto, kaj familian historion celantan postdiploman sciencon. Altvoluma ĝenerala rezonado: rulu la pli malmultekostan. STEM-peza, agenta, aŭ submetita al revizio, kiu demandas, de kie venis la konduto de la modelo: Nemotron meritas la diferencon.
10Oftaj demandoj
Kio estas la sencenzura Nemotron API?
Ĝi estas la gastigata finpunkto de Shannon AI por Nemotron3Ultra 3BIT-REAP, kunpremita konstruo de la malfermpeza Nemotron 3 Ultra de NVIDIA. Ĝi ruliĝas sur nia propra GPU-aro kun neniu rifuza tavolo kaj neniu filtrado de la eligo, elmetas kuntekston de 262,144 ĵetonoj kaj 16,384 eligajn ĵetonojn po peto, kaj kostas $0.75 por miliono da enigaj ĵetonoj kaj $3.30 por miliono da eligaj ĵetonoj.
Ĉu NVIDIA Nemotron vere estas malfermpeza?
Jes. NVIDIA publikigis Nemotron 3 Ultra la 4-an de junio 2026 kun pezoj, trejnaj datumoj kaj receptoj sub la permesema permesilo OpenMDW-1.1 de la Linux Foundation, sekve al Nemotron-4 340B kaj la familio Llama-Nemotron. Tiu malfermeco estas tio, kio ebligas sendepende funkciigatan, nefiltritan disponigon.
Kion signifas 3BIT-REAP?
Du kunpremaj paŝoj. REAP — Router-weighted Expert Activation Pruning, de Cerebras Research kaj akceptita al ICLR 2026 — taksas ĉiun spertulon de la Miksaĵo de Spertuloj laŭ tio, kiom forte la enkursigilo kluzas ĝin kaj kiom grandaj estas ĝiaj eligaj kontribuoj, poste forigas la malplej elstarajn tute. La postvivantoj estas kvantigitaj al 3-bitaj pezoj, do la bitbuĝeto estas elspezita por spertuloj, kiuj efektive portas trafikon.
Ĉu Nemotron3Ultra subtenas vidon aŭ eligon laŭ JSON-skemo?
Neniuj bildoj: ĉi tiu finpunkto estas nur-teksta. Ĝi ja subtenas striktan strukturitan eligon — kaj json_schema kaj response_format — plus ilvokadon, flusendadon, rezonadajn spurojn kaj reasoning_effort. Por bildoj sur sencenzura modelo, uzu anstataŭe MiniMax-M3, Kimi-K2.6, Kimi-K3, MiMo-V2.5 aŭ inkling.
Kial la kunteksto estas 262,144 ĵetonoj, kiam NVIDIA reklamas 1M?
La arkitekturo Nemotron 3 celas fenestron de 1M ĵetonoj kaj NVIDIA raportas 94.7% ĉe RULER je tiu longo. Nia disponigo servas 262,144 ĵetonojn, la fenestron, kiun ni tenas je plena rapido tra la tuta katalogo. Ĉiu modelo sur la Enirejo elmetas la saman kuntekston, do vi povas interŝanĝi modelidentigilojn sen reverki vian pecigadon.
Ĉu Nemotron taŭgas por matematiko, scienco kaj kodo?
STEM kaj rezonado estas la deklarita fokuso de la familio. NVIDIA raportas 90% ĉe PinchBench, 65.0-70.4% ĉe SWE-Bench Verified tra kvin agentaj framoj kaj 56.4% ĉe Terminal-Bench 2.1 por Nemotron 3 Ultra; la pli frua Llama-Nemotron Ultra raportis 76.0% ĉe GPQA-Diamond kontraŭ la 71.5% de DeepSeek-R1. Ĉiuj estas raportitaj de la vendisto pri la nekunpremita fundamento.
Voku la sencenzuran Nemotron API
262K kunteksto, ilvokado, strikta JSON-skemo, neniu rifuza tavolo — $0.75 enige / $3.30 elige por 1M ĵetonoj.
Legu la API-dokumentojn Ĉiuj modelkartojShannon Lab LLC · Nov-Meksiko, Usono · la uzo estas regata de nia politiko pri respondeca uzo
Fontoj: teknika raporto pri NVIDIA Nemotron 3 Ultra · programista blogo de NVIDIA (junio 2026) · arkitekturaj notoj pri Nemotron 3 Super · Llama-Nemotron: Efficient Reasoning Models · Cerebras Research, REAP. La benchmark-oj pri la fundamento estas raportitaj de NVIDIA pri la nekunpremita modelo krom se atribuitaj al Artificial Analysis; kunpremitaj konstruoj povas diferenci. La prezoj kaj kapabloj validas je la 5-a de septembro 2026.