API بدون سانسور Nemotron

بیشتر مدل‌های «باز» فقط وزن‌باز هستند و نه چیز دیگری — یک بسته پارامتر، یک مجوز، و سکوت درباره اینکه اعداد از کجا آمده‌اند. Nemotron دو سال است استثنای پیوسته این قاعده بوده: انویدیا وزن‌ها، مجموعه‌داده‌های پس‌آموزش، محیط‌های یادگیری تقویتی و دستورالعمل را منتشر می‌کند. این موضوع برای یک اندپوینت بدون سانسور اهمیتی دارد که به‌راحتی از چشم می‌افتد. مدلی که داده هم‌راستاسازی‌اش منتشر شده، مدلی است که می‌توانید درباره رفتار رد درخواستش استدلال کنید به‌جای اینکه حدس بزنید — و مدلی است که یک شخص ثالث می‌تواند به‌طور مشروع و بدون فیلتر محتوایی بسته‌شده بر دهانش مستقرش کند.

01Nemotron 3 Ultra چیست؟

Nemotron 3 Ultra بزرگ‌ترین عضو خانواده Nemotron 3 انویدیاست که در ۴ ژوئن ۲۰۲۶ روی Hugging Face منتشر شد. گزارش فنی انویدیا آن را «یک مدل زبانی Mixture-of-Experts ترکیبی Mamba-Attention با ۵۵۰ میلیارد پارامتر کل و ۵۵ میلیارد پارامتر فعال» توصیف می‌کند — یعنی تقریباً ۱۰٪ از شبکه روی هر توکن مشخص کار می‌کند، و همین است که سرو کردن مدلی با نیم‌تریلیون پارامتر را اصلاً شدنی می‌کند.

چیدمان گزارش‌شده ۱۰۸ لایه با بُعد مدل ۸٬۱۹۲ است که لایه‌های فضای-حالت Mamba-2 را با مجموعه‌ای تُنُک از لایه‌های توجه کامل درهم می‌بافد، و در هر لایه MoE ‏۵۱۲ متخصص با مسیریابی top-22 دارد. پیش‌آموزش روی حدود ۲۰ تریلیون توکن متنی در دو فاز انجام شد — نخست با سوگیری به تنوع، سپس با سوگیری به کیفیت — با نقطه برش سپتامبر ۲۰۲۵، ۱۲ زبان طبیعی و ۴۳ زبان برنامه‌نویسی. پس‌آموزش از SFT، یادگیری تقویتی چندمحیطی با پاداش‌های راستی‌آزمایی‌پذیر، و تقطیر on-policy با چند معلم از بیش از ده معلم متخصص استفاده کرد. هدف طراحی اعلام‌شده، عامل‌های طولانی‌مدت است: نشست‌هایی که کانتکست بزرگی نگه می‌دارند، ده‌ها بار ابزار فرا می‌خوانند، و آن‌قدر طول می‌کشند که اقتصاد هر توکن بر صورت‌حساب غلبه کند.

02تبار Nemotron، و چرا این پیشینه مهم است

Nemotron یک اتفاق یک‌باره نیست. خروجی آشکار یک برنامه پژوهشی انویدیاست که از ۲۰۲۴ در همین جهت پیش می‌رود، و هر نسل چیزی به جا گذاشته که مدل فعلی هنوز آن را حمل می‌کند. Nemotron-4 340B (ژوئن ۲۰۲۴) با یک خط لوله باز تولید داده مصنوعی، مدل پاداش و مولدش عرضه شد، به‌علاوه یک افشای غیرمعمول: اکثریت قاطع داده هم‌راستاسازی‌اش را خود مدل تولید کرده بود. همین نگاه به مدل به‌عنوان کارخانه داده و نه یک پیشگو، دلیل آن است که انتشارهای بعدی Nemotron هنوز مجموعه‌داده‌ها را کنار وزن‌ها منتشر می‌کنند.

Llama-Nemotron — استدلالی که می‌شود خاموشش کرد

خانواده Llama-Nemotron در ۲۰۲۵ (LN-Nano 8B، LN-Super 49B، LN-Ultra 253B) دو ایده به یادگار گذاشت که خوب کهنه شدند. اولی معماری بود: جست‌وجوی معماری عصبی Puzzle انویدیا کتابخانه‌ای از بلوک‌های ترنسفورمری تقطیرشده بلوک‌به‌بلوک ساخت و آنها را با برنامه‌ریزی عدد‌صحیح مختلط سرهم کرد، و مدل‌هایی به دست داد که در بعضی بلوک‌هایشان توجه یکسره حذف شده یا با یک لایه خطی جایگزین شده است؛ در همان حال FFN Fusion بلوک‌های پیش‌خور پیاپی را در بلوک‌های کمتر، پهن‌تر و موازی درهم فشرد — که عمق ترتیبی را کم می‌کند نه تعداد پارامتر را. مدل LN-Ultra روی یک نود تکی ۸×H100 جا می‌شد و بنا بر مقاله انویدیا در GPQA-Diamond از DeepSeek-R1 پیشی می‌گرفت (۷۶٫۰٪ در برابر ۷۱٫۵٪).

دومی رفتاری بود: Llama-Nemotron نخستین خانواده باز با یک کلید پویای استدلال بود، که داده آموزشی را در دستور سیستمی با detailed thinking on یا detailed thinking off برچسب می‌زد و پاداش‌های قالبی، حضور تگ‌های <think> را در حالت روشن الزام می‌کردند. یک مجموعه وزن، دو رفتار، قابل انتخاب در زمان استنتاج. کنترل بودجه استدلال در Nemotron 3 — و پارامتر reasoning_effort روی API ما — مستقیماً از همان کار می‌آید.

Nemotron 3 — چرخش به معماری ترکیبی

‏Nemotron 3 اشتقاق از Llama را با یک معماری ترکیبی از پایه جایگزین کرد و LatentMoE (فشرده‌سازی توکن‌ها پیش از مسیریابی، که انویدیا می‌گوید «۴ برابر متخصص بیشتر با همان هزینه استنتاج» را ممکن می‌کند)، پیش‌بینی چندتوکنی و پیش‌آموزش بومی NVFP4 را افزود. انویدیا در مجموع ۵۰ میلیون نمونه SFT، ۲ میلیون وظیفه یادگیری تقویتی و ۵۵ محیط یادگیری تقویتی را کنار وزن‌ها منتشر کرد — لازم نیست حرف سازنده را درباره آنچه به مدل آموخته شده بپذیرید، چون مواد آموزشی قابل دانلود است.

03معماری ترکیبی چه چیزی برایتان می‌خرد

کش KV یک ترنسفورمر به‌شکل خطی با طول دنباله رشد می‌کند، و به همین دلیل است که استنتاج کانتکست‌بلند پیش از آنکه از نظر محاسباتی گران شود، از نظر حافظه گران می‌شود. لایه‌های Mamba-2 مدل‌های فضای-حالت‌اند که یک حالت بازگشتی با اندازه ثابت حمل می‌کنند، پس هزینه حافظه‌شان به ازای هر توکن با تاریخچه رشد نمی‌کند؛ چیزی که در آن ضعیف‌اند، بازیابی تداعی‌گر دقیق است. معماری ترکیبی Mamba-2 را برای بخش عمده پردازش دنباله نگه می‌دارد و اقلیتی از لایه‌های توجه واقعی را برای همان بازیابی‌ای که لایه‌های فضای-حالت در آن می‌لنگند اضافه می‌کند، با نسبت تهاجمی ۶۴ سر پرس‌وجو به ۲ سر KV که کش را باز هم کوچک‌تر می‌کند. انویدیا ۹۴٫۷٪ روی RULER در یک میلیون توکن گزارش می‌کند — بنچمارکی برای یافتن سوزن در انبار کاه که ساخته شده تا مدل‌هایی را که پنجره‌ای را ادعا می‌کنند و نمی‌توانند از آن استفاده کنند مچ بگیرد.

نتیجه، توان عبوری است: انویدیا ادعا می‌کند تا حدود ۶ برابر توان عبوری استنتاج بالاتر از مدل‌های قابل‌مقایسه با دقت هم‌تراز دارد، و Artificial Analysis به‌طور مستقل ۱۴۰٫۳ توکن بر ثانیه را با زمان ۱٫۳۳ ثانیه تا نخستین توکن اندازه گرفت — رتبه هفتم از میان ۸۹ مدل. در یک اجرای عاملی ۲۰۰ نوبتی، این تفاوت میان تمام‌شدن در یک بعدازظهر و اصلاً تمام‌نشدن است.

04پسوند «3BIT-REAP» صادقانه یعنی چه

این پسوند تزئین نیست — دقیقاً به شما می‌گوید چه بر سر بنیان آمده تا جا بگیرد.

REAP — سرنام Router-weighted Expert Activation Pruning — از Cerebras Research می‌آید و در ICLR 2026 پذیرفته شد. در یک MoE تُنُک، روتر هر توکن را به مشتی متخصص می‌فرستد؛ روی یک بارِ کاری واقعی، بعضی مدام انتخاب می‌شوند و بعضی تقریباً هرگز. REAP به هر متخصص با یک معیار برجستگی امتیاز می‌دهد که شدت گیت‌کردن روتر و بزرگی سهم خروجی‌اش را با هم ترکیب می‌کند، و بعد کم‌برجسته‌ترین‌ها را یکسره حذف می‌کند — Cerebras گزارش می‌کند تا ۵۰٪ متخصص‌ها را از مدل‌هایی به بزرگی ۱ تریلیون پارامتر هرس کرده در حالی که کیفیت پایه را عمدتاً حفظ کرده، و می‌یابد که برای وظایف مولد مانند کد، هرس بر ادغام می‌چربد. سپس کوانتیزاسیون ۳ بیتی آنچه را باقی مانده فشرده می‌کند. اول هرس، بعد کوانتیزاسیون، تا بودجه بیتی به متخصص‌هایی برسد که ترافیک را حمل می‌کنند نه اینکه روی متخصص‌های مرده پخش شود.

فشرده‌سازی رایگان نیست و وانمود نمی‌کنیم که هست: کوانتیزاسیون تهاجمی نخست به‌صورت افت‌های کوچک در پیروی دقیق از قالب و در حساب زنجیره‌بلند خودش را نشان می‌دهد، نه به‌صورت بی‌انسجامی آشکار. سه رده کجا می‌ایستند:

پسوند	چیست	کجا استفاده‌اش می‌کنیم
3BIT-REAP	وزن‌های ۳ بیتی + هرس متخصص	بزرگ‌ترین بنیان‌ها، جایی که هیچ چیز دیگری با سرعت جا نمی‌شود
W4A16-AUTOROUND-REAP	وزن ۴ بیتی / فعال‌سازی ۱۶ بیتی، گِردکردن آموخته‌شده AutoRound، + هرس	بنیان‌های میان‌اندازه؛ AutoRound دقت را نسبت به گِردکردن ساده به نزدیک‌ترین بازمی‌گرداند
W8A16	وزن ۸ بیتی / فعال‌سازی ۱۶ بیتی	بالاترین وفاداری؛ بنیان‌هایی آن‌قدر کوچک که به فشرده‌سازی تهاجمی نیاز ندارند

‏Nemotron 3 Ultra با ۵۵۰ میلیارد پارامتر کاملاً در دسته اول است. اگر بارِ کاری شما به‌طور غیرمعمول به خروجی عددی دقیق در زنجیره‌های بلند حساس است، فهرست پژوهش رده W8A16 را فهرست می‌کند — MiMo-V2.5-Pro-W8A16 و Hy3-W8A16 — روی کف قیمت $0.50/$2.00. یک بده‌بستان واقعی، نه یک قیف فروش: مدل کوچک‌تر، فشرده‌سازی کمتر.

05«بدون سانسور» روی این اندپوینت یعنی چه

مشخصاً: هیچ لایه رد درخواستی وجود ندارد و هیچ فیلتر محتوایی روی خروجی اعمال نمی‌شود. هیچ دسته‌بندی‌کننده‌ای پرامپت شما را بازرسی نمی‌کند تا یک ردّ آماده تحویل دهد، و پاسخ پیش از رسیدن به جریان شما اسکن نمی‌شود. آنچه می‌گیرید رفتار خودِ مدل است.

اینجاست که تبار باز دیگر یک نکته بی‌اهمیت نیست. چون انویدیا داده پس‌آموزش و محیط‌های یادگیری تقویتی را منتشر کرده، گرایش‌های مدل دست‌کم در اصل قابل ممیزی‌اند نه محل شایعه. و چون OpenMDW-1.1 یک مجوز آزادمنشانه از بنیاد لینوکس است که معماری، پارامترها، مستندات و نرم‌افزار را پوشش می‌دهد، یک اپراتور مستقل می‌تواند استقراری اصلاح‌شده و بدون فیلتر را روی سخت‌افزار خودش سرو کند بدون آنکه مجوز سنگ راه باشد. بسیاری از مجوزهای مدل‌های «باز» چنین اجازه‌ای نمی‌دهند. این یکی می‌دهد. تفاوت جایی خودش را نشان می‌دهد که رد درخواست بازتابی یک باگ است نه یک ویژگی ایمنی:

• پژوهش امنیتی — تحلیل آسیب‌پذیری، استدلال درباره اکسپلویت، رفتار بدافزار، ابزارسازی تیم قرمز، بدون بحث بر سر اینکه آیا پرسش مجاز است یا نه.
• شیمی، زیست‌شناسی و داروشناسی — محاسبه دوز، سازوکار واکنش، سم‌شناسی، مسیرهای سنتز که اندپوینت فیلترشده به‌محض برخورد با یک کلیدواژه ردشان می‌کند.
• یادگیری ماشین خصمانه — نمونه‌های منفی سخت، پیکره‌های جیلبریک و رده‌بندی سوءاستفاده برای دسته‌بندی‌کننده‌هایی که باید نمونه واقعی را دیده باشند.
• متون بالینی، حقوقی و پزشکی‌قانونی — مواد پرونده‌ای که ذاتاً تلخ و صریح‌اند و دقیقاً به همین دلیل رد می‌شوند.

بدون سانسور یعنی بدون پاسخگویی نیست. آنچه تولید می‌کنید مال شماست، و سیاست استفاده مسئولانه و شرایط خدمات ما بر حساب کاربری حاکم است. برداشتن لایه رد درخواست، یک حدس درباره نیت را برمی‌دارد؛ تعهدات شما را ذیل قانونی که بر شما اعمال می‌شود برنمی‌دارد.

06STEM و استدلال: اعداد منتشرشده چه می‌گویند

تمرکز آموزشی Nemotron از زمانی که مجموعه‌داده پس‌آموزش Llama-Nemotron دقیقاً حول همین چهار محور ساخته شد، ریاضی، کد، علوم و پیروی از دستور بوده است. آنچه انویدیا برای بنیان Nemotron 3 Ultra گزارش می‌کند — اعداد گزارش‌شده از سوی سازنده روی مدل فشرده‌نشده، که ما اجرایشان نکرده‌ایم:

دو هشدار که از خودِ اعداد ارزشمندترند. عدد SWE-Bench Verified یک بازه است — انویدیا بسته به اینکه کدام هارنس عاملی آن را اجرا کند (Pi، OpenHands، Hermes، OpenCode، Mini SWE Agent) ‏۶۵٫۰٪ تا ۷۰٫۴٪ گزارش می‌کند، و یک پراکندگی پنج‌واحدی که تنها از داربست می‌آید نشان می‌دهد امتیازهای عاملی چقدر به هارنس وابسته‌اند و نه به مدل. و Artificial Analysis مدل Nemotron 3 Ultra را روی ۴۸ در شاخص هوش خود، رتبه نهم از ۸۹ مدل نشاند — قوی، اما نه صدرنشین میدان، و اندازه‌گیری مستقل آنها همان چیزی است که ما بر هر اسلاید سازنده ترجیح می‌دهیم.

درباره نسل پیشین، مقاله Llama-Nemotron انویدیا برای LN-Ultra عدد ۷۶٫۰٪ روی GPQA-Diamond را در برابر ۷۱٫۵٪ مدل DeepSeek-R1 و ۴۳٫۴٪ مدل Llama-3.1-405B-Instruct گزارش می‌کند، به‌علاوه ۸۰٫۸٪ روی AIME 2024 — مدلی متفاوت است و آن را آورده‌ایم چون علوم در سطح تحصیلات تکمیلی و ریاضیات مسابقه‌ای دو نسل است هدف این خانواده بوده‌اند.

اعداد بنچمارک همان‌طور که انویدیا (ژوئن ۲۰۲۶) روی Nemotron 3 Ultra فشرده‌نشده منتشر کرده، و آنچه Artificial Analysis برای اندازه‌گیری‌های مستقل گزارش کرده است. بیلدهای فشرده ممکن است تفاوت داشته باشند. ما اعداد بنچمارکی را که راستی‌آزمایی نکرده‌ایم یا نمی‌توانیم به کسی نسبت دهیم منتشر نمی‌کنیم.

07قیمت، و هشدار پرگویی

با ۰٫۷۵ دلار به ازای هر میلیون توکن ورودی و ۳٫۳۰ دلار به ازای هر میلیون توکن خروجی، Nemotron3Ultra روی ورودی در یک‌سوم پایینی کاتالوگ ما می‌نشیند و روی خروجی در میانه. چند مثال حساب‌شده، چون حس‌کردن قیمت‌های هر-میلیون سخت است:

شکل فراخوانی	ورودی	خروجی	هزینه
یک نوبت معمول RAG	50,000	4,000	$0.051
تحلیل سند بلند	150,000	8,000	$0.139
فراخوانی با بیشینه اندازه	262,144	16,384	$0.251

یک درخواست با کانتکست کامل و خروجی کامل — هر توکنی که اندپوینت می‌پذیرد و هر توکنی که تولید می‌کند — حدود ۲۵ سنت هزینه دارد. همین شکل روی Kimi-K3-3BIT-REAP، گران‌ترین مدل ما با $3.83/$19.12، حدود ۱٫۳۲ دلار می‌شود، یعنی ۵٫۳ برابر بیشتر.

حالا هشدار، و واقعی هم هست. Artificial Analysis اندازه گرفت که Nemotron 3 Ultra در سرتاسر مجموعه بنچمارکشان ۲٫۳ برابر بیشتر از میانه همتایانش توکن خروجی تولید می‌کند. مدل‌های استدلالی بابت اندیشیدن از شما پول می‌گیرند، و این یکی مفصل می‌اندیشد؛ برتری قیمت هر توکن اگر مدل سه برابر طولانی‌تر استدلال کند تا به همان پاسخ برسد، به یک ضعف در هزینه هر وظیفه تبدیل می‌شود. راه‌حل تعبیه‌شده و روی API ما در دسترس است: Nemotron 3 برای کنترل بودجه استدلال پس‌آموزش دیده و reasoning_effort اینجا پشتیبانی می‌شود — انویدیا حالتی با تلاش پایین‌تر را توصیف می‌کند که با یک بده‌بستان تک‌رقمی در دقت، به‌مراتب توکن اندیشیدن کمتری مصرف می‌کند. روی دسته‌بندی، استخراج و مسیریابی آن را پایین بیاورید و اقتصاد کار به‌طور محسوسی عوض می‌شود؛ روی یک اثبات یا یک بازآرایی چندفایلی آن را بالا ببرید و آگاهانه پولش را بدهید. به‌جای خواندن فهرست قیمت و فرض‌کردن، توکن‌به‌ازای‌وظیفه خودتان را اندازه بگیرید.

08فراخوانی‌اش: سه گویش، یک مدل

هر مدل روی گیت‌وی روی سه سطح API استریمی پاسخ می‌دهد، پس می‌توانید یک کلاینت موجود را بدون بازنویسی یکپارچه‌سازی‌تان به آن نشانه بروید: /v1/chat/completions (گویش OpenAI)، /v1/messages (گویش Anthropic) و /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."}
    ]
  }'

خلاصه قابلیت‌ها، تا هنگام یکپارچه‌سازی چیزی غافلگیرتان نکند:

قابلیت	Nemotron3Ultra · 3BIT-REAP
پنجره کانتکست	۲۶۲٬۱۴۴ توکن
بیشینه خروجی / هر درخواست	۱۶٬۳۸۴ توکن
استریمینگ	بله
فراخوانی ابزار	بله
ردهای استدلال	بله
reasoning_effort	بله
json_schema (سخت‌گیرانه)	بله
response_format	بله
بینایی / ورودی تصویر	خیر — فقط متن
لایه رد درخواست	ندارد

سطر بینایی مردم را غافلگیر می‌کند: Nemotron3Ultra فقط متنی است. اگر خط لوله شما تصویر می‌فرستد، از MiniMax-M3-3BIT-REAP یا MiMo-V2.5-W8A16 با $0.50/$2.00 استفاده کنید، یا از Kimi-K2.6-W4A16-AUTOROUND-REAP با $0.78/$3.67 — همه دارای بینایی، همه بدون سانسور، همه روی همان کانتکست ۲۶۲٬۱۴۴ توکنی. مرجع کامل پارامترها در مستندات API است.

09جایگاه Nemotron3Ultra میان آن دوازده مدل

کاتالوگ دوازده مدل بدون سانسور است که همان پنجره کانتکست، همان سه گویش و همان نبود لایه رد درخواست را به اشتراک می‌گذارند؛ تفاوتشان در بنیان، قیمت و قابلیت است. جایگاه Nemotron مشخص است: اسب بارکش استدلال با تبار باز — نه ارزان‌ترین، نه تواناترین، اما آن یکی که بیشترین ردّ کاغذی عمومی را پشت رفتارش دارد و سخت‌ترین تنظیم را به سمت STEM و عامل‌ها خورده است.

مدل	ورودی / 1M	خروجی / 1M	بینایی	برای این انتخابش کنید
MiniMax-M3 · 3BIT-REAP	$0.50	$2.00	بله	ارزان‌ترین گزینه دارای بینایی
MiMo-V2.5-Pro · W8A16	$0.50	$2.00	خیر	بالاترین رده وفاداری در کوانتیزاسیون
GLM-5.2 · 3BIT-REAP	$0.73	$2.34	خیر	ارزان‌ترین استدلال با بنیان بزرگ
Nemotron3Ultra · 3BIT-REAP	$0.75	$3.30	خیر	STEM، عامل‌ها، تبار باز
Kimi-K2.6 · W4A16-AUTOROUND-REAP	$0.78	$3.67	بله	بینایی + وفاداری AutoRound
DeepSeek-V4-Pro · 3BIT-REAP	$1.95	$3.90	خیر	تحلیل عمیق تک‌شات
Kimi-K3 · 3BIT-REAP	$3.83	$19.12	بله	سقف مطلق توانایی

هفت مدل از دوازده نشان داده شده است. کاتالوگ کامل — شامل Laguna-S-2.1، inkling، DeepSeek-V4-Flash، MiMo-V2.5 و Hy3 — در مستندات API است. توجه کنید که Laguna-S-2.1 از خروجی ساختاریافته پشتیبانی نمی‌کند و inkling از json_schema پشتیبانی نمی‌کند؛ Nemotron3Ultra هر دو را پشتیبانی می‌کند.

نزدیک‌ترین همسایه از نظر قیمت GLM-5.2-3BIT-REAP با $0.73/$2.34 است، و مقایسه صادقانه این است: GLM-5.2 به ازای هر توکن ارزان‌تر است، به‌ویژه روی خروجی. Nemotron یک پیکره آموزشی منتشرشده، یک درجه‌بند صریح بودجه استدلال، و تاریخچه‌ای خانوادگی می‌آورد که علوم در سطح تحصیلات تکمیلی را هدف گرفته است. استدلال عمومی با حجم بالا: ارزان‌تر را اجرا کنید. کار سنگین STEM، عاملی، یا مشمول ممیزی‌ای که می‌پرسد رفتار مدل از کجا آمده: Nemotron این تفاوت را حق خودش می‌کند.

10پرسش‌های پرتکرار

---

منابع: گزارش فنی NVIDIA Nemotron 3 Ultra · وبلاگ توسعه‌دهندگان NVIDIA (ژوئن ۲۰۲۶) · یادداشت‌های معماری Nemotron 3 Super · Llama-Nemotron: Efficient Reasoning Models · Cerebras Research، REAP. بنچمارک‌های بنیان از سوی انویدیا و روی مدل فشرده‌نشده گزارش شده‌اند مگر آنکه به Artificial Analysis نسبت داده شوند؛ بیلدهای فشرده ممکن است تفاوت داشته باشند. قیمت‌ها و قابلیت‌ها تا ۵ سپتامبر ۲۰۲۶ به‌روز هستند.