Zentsurarik gabeko Nemotron APIa

«Ireki» gehienak pisu irekiak dira eta besterik ez — parametro-tarball bat, lizentzia bat, eta isiltasuna zenbakiak nondik datozen esateko orduan. Nemotron izan da salbuespen sendoa bi urtez: NVIDIAk pisuak bidaltzen ditu, entrenamendu-osteko datu-multzoak, RL inguruneak eta errezeta. Horrek amaierapuntu zentsuragabe batentzat erraz ihes egiten duen moduan du garrantzia. Lerrokatze-datuak argitaratuta dituen eredu batean, haren uko-jokabidea arrazonatu dezakezu asmatu beharrean — eta hirugarren batek legitimoki hedatu dezake edukiaren iragazki bat ahora torlojututa eraman gabe.

01Zer da Nemotron 3 Ultra?

Nemotron 3 Ultra NVIDIAren Nemotron 3 familiako kiderik handiena da, Hugging Face-n kaleratua 2026ko ekainaren 4an. NVIDIAren txosten teknikoak honela deskribatzen du: «guztira 550 mila milioi eta 55 mila milioi parametro aktiboko adituen nahasketako Mamba-Attention hizkuntza-eredu hibrido bat» — sarearen % 10 inguruk lan egiten du token bakoitzean, eta horrek egiten du erdi bilioi parametroko eredu bat zerbitzagarri.

Jakinarazitako diseinua 108 geruzakoa da 8,192 ereduko dimentsioan, Mamba-2 egoera-espazioko geruzak arreta osoko geruza multzo bakan batekin txandakatuz, MoE geruza bakoitzeko 512 aditurekin eta top-22 bideratzearekin. Aurre-entrenamendua 20 bilioi testu-token ingurutan exekutatu zen bi fasetan — lehenik aniztasunera lerratua, gero kalitatera — 2025eko irailaren mozketarekin, 12 hizkuntza naturalekin eta 43 programazio-lengoaiarekin. Entrenamendu-ostean SFT erabili zen, sari egiaztagarridun ingurune anitzeko RL, eta irakasle anitzeko politika gaineko destilazioa hamar espezialista-irakasle baino gehiagoren artean. Adierazitako diseinu-helburua epe luzeko agenteak dira: testuinguru handi bati eusten dioten saioak, tresnak dozenaka aldiz deitzen dituztenak, eta token bakoitzeko ekonomiak faktura menderatzeko adina luze exekutatzen direnak.

02Nemotronen leinua, eta zergatik duen garrantzia arrastoak

Nemotron ez da behin bakarreko zerbait. 2024tik norabide berean doan NVIDIAren ikerketa-programa baten emaitza ikusgaia da, eta belaunaldi bakoitzak oraindik ere egungo ereduak daraman zerbait utzi zuen. Nemotron-4 340B-k (2024ko ekaina) datu sintetikoak sortzeko kanalizazio ireki batekin, bere sari-ereduarekin eta bere sortzailearekin egin zuen bidea, gehi ezohiko aitorpen batekin: bere lerrokatze-datuen gehiengo handi-handia ereduak berak sortua zen. Eredua orakulu bat baino datu-fabrika bat izatea da geroko Nemotron kaleratzeek pisuekin batera datu-multzoak bidaltzen jarraitzearen arrazoia.

Llama-Nemotron — itzali dezakezun arrazoiketa

2025eko Llama-Nemotron familiak (LN-Nano 8B, LN-Super 49B, LN-Ultra 253B) ondo zahartu diren bi ideia ekarri zituen. Lehena arkitektonikoa zen: NVIDIAren Puzzle arkitektura neuronalaren bilaketak blokeka destilatutako transformer-blokeen liburutegi bat eraiki zuen eta osoko zenbaki mistoko programazioarekin muntatu zituen, non bloke batzuek arreta erabat saltatzen duten edo geruza lineal bakar batekin ordezkatzen duten, eta FFN Fusion-ek jarraian zetozen aurrera elikatzeko blokeak gutxiago, zabalago eta paraleloetan kolapsatu zituen — sekuentzia-sakonera moztuz eta ez parametro kopurua. LN-Ultra 8×H100 nodo bakar batean sartzen zen eta, NVIDIAren artikuluaren arabera, DeepSeek-R1 gainditzen zuen GPQA-Diamond proban (% 76.0 vs % 71.5).

Bigarrena jokabidezkoa zen: Llama-Nemotron izan zen arrazoiketa-etengailu dinamikoa zuen lehen familia irekia, entrenamendu-datuak detailed thinking on edo detailed thinking off etiketatuz sistemaren argibidean, eta formatu-sariek <think> etiketak betearazten zituzten piztutako moduan. Pisu multzo bat, bi jokabide, inferentzia-garaian hautagarriak. Nemotron 3-ren arrazoiketa-aurrekontuaren kontrola — eta gure APIko reasoning_effort parametroa — lan horretatik zuzenean dator.

Nemotron 3 — biraketa hibridoa

Nemotron 3-k Llamaren eratorpena hutsetik eraikitako arkitektura hibrido batekin ordezkatu zuen eta LatentMoE gehitu zuen (tokenak bideratu aurretik konprimituz, NVIDIAk dioenez «aditu kopuru 4 aldiz handiagoa inferentzia-kostu berdinerako» ahalbidetzen duena), token anitzeko iragarpena eta NVFP4 aurre-entrenamendu natiboa. NVIDIAk metatutako 50 milioi SFT lagin, 2 milioi RL zeregin eta 55 RL ingurune argitaratu zituen pisuekin batera — ez duzu hornitzaile baten hitza sinetsi behar ereduari zer irakatsi zioten jakiteko, ikasgaia deskargagarria delako.

03Zer erosten dizun arkitektura hibridoak

Transformer baten KV cachea linealki hazten da sekuentziaren luzerarekin, eta horregatik bihurtzen da testuinguru luzeko inferentzia garestia memorian konputazioan baino lehen. Mamba-2 geruzak tamaina finkoko egoera errekurrente bat daramaten egoera-espazioko ereduak dira, beraz haien token bakoitzeko memoria-kostua ez da historiarekin hazten; txarrak diren horretan gogoratze asoziatibo zehatza da. Hibridoak Mamba-2 mantentzen du sekuentzia-prozesatzearen zatirik handienerako, gehi benetako arreta-geruzen gutxiengo bat egoera-espazioko geruzek huts egiten duten gogoratze horretarako, 64 kontsulta-buru / 2 KV-buru ratio agresibo batekin cachea gehiago txikituz. NVIDIAk % 94.7 jakinarazten du RULER proban milioi bat tokenean — orratz-berreskuratzeko benchmark bat, erabili ezin duten leiho bat aldarrikatzen duten ereduak harrapatzeko eraikia.

Ondorioa errendimendua da: NVIDIAk dio inferentzia-errendimendua gutxi gorabehera 6× handiagoa dela pareko ereduen aldean zehaztasun berdintsuan, eta Artificial Analysis-ek modu independentean segundoko 140.3 token neurtu zituen 1.33 segundoko lehen tokenerako denborarekin — 89 eredutatik 7.a. 200 txandako agente-exekuzio batean, hori arratsalde batean bukatzearen eta ez bukatzearen arteko aldea da.

04Zer esan nahi duen «3BIT-REAP» esateak, zintzo

Atzizkia ez da apaingarria — zehazki esaten dizu zer egin zitzaion oinarriari sartu ahal izateko.

REAP — Router-weighted Expert Activation Pruning — Cerebras Research-ekoa da eta ICLR 2026n onartu zuten. MoE bakan batean bideratzaileak token bakoitza aditu gutxi batzuetara bidaltzen du; lan-karga erreal batean batzuk etengabe jotzen dira eta beste batzuk ia inoiz ez. REAPek aditu bakoitzari puntuazioa ematen dio nabarmentze-irizpide batekin, bideratzaileak zeinen indartsu ateratzen duen eta bere irteera-ekarpenak zeinen handiak diren konbinatuz, eta gutxien nabarmentzen direnak zuzenean kentzen ditu — Cerebras-ek jakinarazten du bilioi bat parametroraino iristen diren ereduetan adituen % 50 arte inausi daitezkeela oinarrizko kalitateari neurri handi batean eutsiz, eta aurkitzen du kodea bezalako zeregin sortzaileetan inausteak batzeari irabazten diola. 3 biteko kuantizazioak gero bizirik geratzen dena konprimitzen du. Lehenik inausi, gero kuantizatu, bit-aurrekontua trafikoa daramaten adituetara joan dadin, aditu hiletan barreiatu beharrean.

Konpresioa ez da doakoa, eta ez dugu kontrakoa itxuratuko: kuantizazio agresiboa lehenik formatu zehatzaren betetzean eta kate luzeko aritmetikan degradazio txiki gisa agertzen da, eta ez inkoherentzia ikusgai gisa. Hiru mailak non geratzen diren:

Atzizkia	Zer den	Non erabiltzen dugun
3BIT-REAP	3 biteko pisuak + aditu-inausketa	Oinarririk handienak, non beste ezer ez den sartzen abiaduraz
W4A16-AUTOROUND-REAP	4 biteko pisuak / 16 biteko aktibazioak, AutoRound ikasitako biribiltzea, + inausketa	Tamaina ertaineko oinarriak; AutoRoundek zehaztasuna berreskuratzen du hurbilenera biribiltze inozoaren gainetik
W8A16	8 biteko pisuak / 16 biteko aktibazioak	Fideltasunik handiena; konpresio agresiboa behar ez izateko adina txiki diren oinarriak

550B-ko Nemotron 3 Ultra lehen kategorian dago erabat. Zure lan-karga bereziki sentibera bada kate luzeetako irteera numeriko zehatzarekiko, ikerketa-indizeak W8A16 maila zerrendatzen du — MiMo-V2.5-Pro-W8A16 eta Hy3-W8A16 — $0.50/$2.00 zoruan. Truke erreal bat, ez inbutu bat: eredu txikiagoa, konpresio gutxiago.

05Zer esan nahi duen «zentsurarik gabekoak» amaierapuntu honetan

Zehazki: ez dago uko egiteko geruzarik eta ez zaio eduki-iragazkirik aplikatzen irteerari. Sailkatzailerik ez da zure promptari begiratzen kontserba-uko bat itzultzeko, eta erantzuna ez da eskaneatzen zure korrontera iritsi aurretik. Jasotzen duzuna ereduaren beraren jokabidea da.

Hor uzten dio leinu irekiak anekdota izateari. NVIDIAk entrenamendu-osteko datuak eta RL inguruneak argitaratu zituenez, ereduaren joerak printzipioz auditagarriak dira eta ez folklore. Eta OpenMDW-1.1 Linux Foundation-en lizentzia permisibo bat denez, arkitektura, parametroak, dokumentazioa eta softwarea barne hartzen dituena, operadore independente batek hedapen aldatu eta iragazi gabe bat zerbitza dezake bere hardware propioan, lizentzia oztopo izan gabe. «Ireki» diren eredu-lizentzia askok ez dute hori onartzen. Honek bai. Aldea uko islatzailea segurtasun-ezaugarri bat baino akats bat den lekuan agertzen da:

• Segurtasun-ikerketa — ahultasunen analisia, ustiapenen arrazoiketa, malwarearen jokabidea, red team tresneria, galdera baimenduta dagoen ala ez eztabaidatu gabe.
• Kimika, biologia eta farmakologia — dosien matematika, erreakzio-mekanismoak, toxikologia, iragazitako amaierapuntu batek gako-hitza ukitu orduko errefusatzen dituen sintesi-bideak.
• ML aurkaria — negatibo zailak, jailbreak corpusak eta abusuen taxonomiak, benetakoa ikusi behar duten sailkatzaileentzat.
• Testu kliniko, juridiko eta forentsea — berez gordina den kasu-materiala, eta hain zuzen horregatik errefusatzen dena.

Zentsuragabea ez da erantzukizunik gabekoa. Sortzen duzunaren jabe zara, eta gure erabilera arduratsuaren politikak eta zerbitzu-baldintzek kontua arautzen dute. Uko egiteko geruza bat kentzeak asmoari buruzko igarpen bat kentzen du; ez ditu kentzen zuri aplikatzen zaizun legearen araberako betebeharrak.

06STEM eta arrazoiketa: zer dioten argitaratutako zenbakiek

Nemotronen entrenamendu-fokua matematika, kodea, zientzia eta argibideak jarraitzea izan da Llama-Nemotronen entrenamendu-osteko datu-multzoa lau ardatz horien inguruan eraiki zenetik. NVIDIAk Nemotron 3 Ultra oinarrirako jakinarazten duena — hornitzaileak jakinarazitako datuak konprimitu gabeko ereduaren gainean, guk exekutatu ez ditugunak:

Zenbakiak baino gehiago balio duten bi ohar. SWE-Bench Verified datua tarte bat da — NVIDIAk % 65.0tik % 70.4ra jakinarazten du zein agente-euskarrik exekutatzen duen arabera (Pi, OpenHands, Hermes, OpenCode, Mini SWE Agent), eta euskarriak bakarrik bost puntuko tartea eragiteak erakusten du puntuazio agentikoak zenbateraino dauden euskarriaren mende eta ez ereduaren mende. Eta Artificial Analysis-ek Nemotron 3 Ultra 48an kokatu zuen bere Intelligence Index-ean, 89 eredutatik 9.a — sendoa, ez zelaiaren gailurra, eta haien neurketa independentea da hornitzaile baten diapositiba baten gainetik pisatuko genukeena.

Aurreko belaunaldiari dagokionez, NVIDIAren Llama-Nemotron artikuluak LN-Ultra % 76.0an jakinarazten du GPQA-Diamond proban, DeepSeek-R1en % 71.5en eta Llama-3.1-405B-Instruct-en % 43.4ren aldean, gehi % 80.8 AIME 2024n — beste eredu bat da, hemen sartua zientzia graduondokoa eta lehiaketako matematika bi belaunalditan familiaren helburua izan direlako.

Benchmark datuak NVIDIAk argitaratutakoak dira (2026ko ekaina) konprimitu gabeko Nemotron 3 Ultraren gainean, eta Artificial Analysis-enak neurketa independenteetarako. Eraikuntza konprimituak desberdinak izan daitezke. Ez dugu egiaztatu ez dugun edo egotzi ezin dugun benchmark zenbakirik argitaratzen.

07Prezioa, eta hitz-jarioaren oharpena

Milioi sarrera-tokeneko $0.75 eta milioi irteera-tokeneko $3.30 prezioan, Nemotron3Ultra gure katalogoaren beheko herenean dago sarreran eta erdian irteeran. Adibide landuak, milioiko prezioa nekez sumatzen delako:

Deiaren forma	Sarrera	Irteera	Kostua
Ohiko RAG txanda	50,000	4,000	$0.051
Dokumentu luzearen analisia	150,000	8,000	$0.139
Gehienezko tamainako deia	262,144	16,384	$0.251

Testuinguru osoko eta irteera osoko eskaera batek — amaierapuntuak onartuko duen token bakoitza eta sortuko duen token bakoitza — 25 zentimo inguru balio du. Forma bera Kimi-K3-3BIT-REAP-en, gure eredurik garestienean $3.83/$19.12 prezioan, $1.32 inguru da, hau da, 5.3× gehiago.

Orain oharpena, eta erreala da. Artificial Analysis-ek neurtu zuen Nemotron 3 Ultrak pareko medianak baino 2.3× irteera-token gehiago sortzen zituela beren benchmark multzoan. Arrazoiketa-ereduek pentsatzeagatik fakturatzen dizute, eta honek luze pentsatzen du; token bakoitzeko prezio-abantaila bat zeregin bakoitzeko desabantaila bihurtzen da ereduak hiru aldiz luzeago arrazoitzen badu erantzun berera iristeko. Arintzea barnean dago eta gure APIan agerian: Nemotron 3 arrazoiketa-aurrekontuaren kontrolerako entrenatu zen ondoren, eta reasoning_effort onartzen da hemen — NVIDIAk deskribatzen du ahalegin baxuagoko modu bat, nabarmen pentsamendu-token gutxiago erabiltzen dituena zifra bakarreko zehaztasun-truke baten alde. Sailkapenean, erauzketan eta bideratzean, jaitsi ezazu eta ekonomia nabarmen aldatzen da; frogapen batean edo fitxategi anitzeko birfaktorizazio batean, igo ezazu eta ordaindu nahita. Neurtu zure zeregineko token kopurua prezio-zerrenda irakurri eta suposatu beharrean.

08Deitzea: hiru dialekto, eredu bat

Atebideko eredu guztiek hiru streaming API azaleratan erantzuten dute, beraz lehendik duzun bezero bat haietara zuzendu dezakezu zure integrazioa berridatzi gabe: /v1/chat/completions (OpenAI dialektoa), /v1/messages (Anthropic dialektoa) eta /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."}
    ]
  }'

Gaitasunen laburpena, integrazio-garaian ezerk ez zaitzan harritu:

Gaitasuna	Nemotron3Ultra · 3BIT-REAP
Testuinguru-leihoa	262,144 token
Gehienezko irteera / eskaera	16,384 token
Streaminga	Bai
Tresna-deiak	Bai
Arrazoiketa-aztarnak	Bai
reasoning_effort	Bai
json_schema (zorrotza)	Bai
response_format	Bai
Ikusmena / irudi-sarrera	Ez — testua soilik
Uko egiteko geruza	Bat ere ez

Ikusmenaren errenkadak jendea harrapatzen du: Nemotron3Ultra testua soilik da. Zure kanalizazioak irudiak bidaltzen baditu, erabili MiniMax-M3-3BIT-REAP edo MiMo-V2.5-W8A16 $0.50/$2.00 prezioan, edo Kimi-K2.6-W4A16-AUTOROUND-REAP $0.78/$3.67 prezioan — guztiak ikusmen-gai, guztiak zentsuragabeak, guztiak 262,144 tokeneko testuinguru berean. Parametroen erreferentzia osoa APIaren dokumentazioan dago.

09Non kokatzen den Nemotron3Ultra hamabien artean

Katalogoa testuinguru-leiho bera, hiru dialekto berak eta uko egiteko geruzaren gabezia bera partekatzen duten hamabi eredu zentsuragabe dira; oinarrian, prezioan eta gaitasunean bereizten dira. Nemotronen kokapena zehatza da: leinu irekiko arrazoiketa-lan-zaldia — ez merkeena, ez gaitasun handienekoa, baina bere jokabidearen atzean paper-arrasto publikorik handiena duena, STEMera eta agenteetara gogorren doitua.

Eredua	Sarrera / 1M	Irteera / 1M	Ikusmena	Zertarako aukeratu
MiniMax-M3 · 3BIT-REAP	$0.50	$2.00	Bai	Ikusmena duen aukerarik merkeena
MiMo-V2.5-Pro · W8A16	$0.50	$2.00	Ez	Fideltasun handieneko kuantizazio-maila
GLM-5.2 · 3BIT-REAP	$0.73	$2.34	Ez	Oinarri handiko arrazoiketarik merkeena
Nemotron3Ultra · 3BIT-REAP	$0.75	$3.30	Ez	STEM, agenteak, leinu irekia
Kimi-K2.6 · W4A16-AUTOROUND-REAP	$0.78	$3.67	Bai	Ikusmena + AutoRound fideltasuna
DeepSeek-V4-Pro · 3BIT-REAP	$1.95	$3.90	Ez	Kolpe bakarreko analisi sakona
Kimi-K3 · 3BIT-REAP	$3.83	$19.12	Bai	Gaitasunaren erabateko sabaia

Hamabitik zazpi erakutsita. Katalogo osoa — Laguna-S-2.1, inkling, DeepSeek-V4-Flash, MiMo-V2.5 eta Hy3 barne — APIaren dokumentazioan dago. Kontuan izan Laguna-S-2.1ek ez duela egituratutako irteera onartzen eta inkling-ek ez duela json_schema onartzen; Nemotron3Ultrak biak onartzen ditu.

Prezioz auzokorik hurbilena GLM-5.2-3BIT-REAP da $0.73/$2.34 prezioan, eta konparaketa zintzoa hau da: GLM-5.2 merkeagoa da token bakoitzeko, batez ere irteeran. Nemotronek argitaratutako entrenamendu-corpus bat dakar, arrazoiketa-aurrekontuaren esplizituki doitzeko gurpil bat, eta graduondoko mailako zientziara begira dagoen familia-historia bat. Bolumen handiko arrazoiketa orokorra: exekutatu merkeena. STEMean astuna, agentikoa, edo ereduaren jokabidea nondik datorren galdetzen duen auditoria baten mende: Nemotronek aldea irabazten du.

10Maiz egiten diren galderak

---

Iturriak: NVIDIA Nemotron 3 Ultra txosten teknikoa · NVIDIAren garatzaileen bloga (2026ko ekaina) · Nemotron 3 Super arkitektura-oharrak · Llama-Nemotron: Efficient Reasoning Models · Cerebras Research, REAP. Oinarriaren benchmarkak NVIDIAk jakinarazitakoak dira konprimitu gabeko ereduaren gainean, Artificial Analysis-i egotzita ez badaude; eraikuntza konprimituak desberdinak izan daitezke. Prezioak eta gaitasunak 2026ko irailaren 5ekoak dira.