Sensuroimaton Nemotron-API

Useimmat ”avoimet” mallit ovat avoimia painoja eikä muuta — tarball parametreja, lisenssi ja vaikeneminen siitä, mistä luvut tulivat. Nemotron on ollut johdonmukainen poikkeus kaksi vuotta: NVIDIA toimittaa painot, jälkikoulutusaineistot, RL-ympäristöt ja reseptin. Sillä on sensuroimattomalle päätepisteelle merkitystä tavalla joka on helppo ohittaa. Malli jonka linjausaineisto on julkaistu on malli jonka kieltäytymiskäyttäytymisestä voi päätellä sen sijaan että sitä arvailisi — ja malli jonka kolmas osapuoli voi laillisesti ottaa käyttöön ilman suulle pultattua sisältösuodatinta.

01Mikä Nemotron 3 Ultra on?

Nemotron 3 Ultra on NVIDIAn Nemotron 3 -perheen suurin jäsen, julkaistu Hugging Faceen 4. kesäkuuta 2026. NVIDIAn tekninen raportti kuvaa sen ”550 miljardin kokonais- ja 55 miljardin aktiivisen parametrin Mixture-of-Experts-hybridiksi Mamba-Attention-kielimalliksi” — karkeasti 10 % verkosta työskentelee kunkin yksittäisen tokenin parissa, ja juuri se tekee puolen biljoonan parametrin mallista ylipäätään tarjoiltavan.

Raportoitu rakenne on 108 kerrosta mallidimensiolla 8 192, lomittaen Mamba-2-tila-avaruuskerroksia harvan täyden huomion kerrosjoukon kanssa, 512 asiantuntijaa MoE-kerrosta kohti top-22-reitityksellä. Esikoulutus ajettiin noin 20 biljoonalla tekstitokenilla kahdessa vaiheessa — ensin monimuotoisuuspainotteisesti, sitten laatupainotteisesti — syyskuun 2025 katkaisupisteellä, 12 luonnollisella kielellä ja 43 ohjelmointikielellä. Jälkikoulutuksessa käytettiin SFT:tä, monen ympäristön RL:ää todennettavilla palkkioilla ja Multi-Teacher On-Policy Distillationia yli kymmenen erikoistuneen opettajan yli. Ilmoitettu suunnittelutavoite on pitkään ajavat agentit: istunnot jotka pitävät suurta kontekstia, kutsuvat työkaluja kymmeniä kertoja ja kestävät niin kauan että tokenikohtainen talous hallitsee laskua.

02Nemotronin sukulinja ja miksi taustalla on merkitystä

Nemotron ei ole kertaluonteinen. Se on näkyvä tulos NVIDIAn tutkimusohjelmasta joka on kulkenut samaan suuntaan vuodesta 2024, ja jokainen sukupolvi jätti jotain jota nykyinen malli yhä kantaa. Nemotron-4 340B (kesäkuu 2024) toimitettiin avoimen synteettisen datan generointiputken, sen palkkiomallin ja sen generaattorin kanssa, plus epätavallisen paljastuksen: valtaosa sen linjausaineistosta oli mallin tuottamaa. Malli datatehtaana eikä oraakkelina on syy siihen, että myöhemmät Nemotron-julkaisut toimittavat yhä aineistot painojen rinnalla.

Llama-Nemotron — päättely jonka voi kytkeä pois

Vuoden 2025 Llama-Nemotron-perhe (LN-Nano 8B, LN-Super 49B, LN-Ultra 253B) toi kaksi ideaa jotka ovat vanhentuneet hyvin. Ensimmäinen oli arkkitehtoninen: NVIDIAn Puzzle-neuroarkkitehtuurihaku rakensi kirjaston lohkoittain tislattuja transformer-lohkoja ja kokosi ne sekalukuoptimoinnilla, tuottaen malleja joissa jotkin lohkot ohittavat huomion kokonaan tai korvaavat sen yhdellä lineaarisella kerroksella, kun taas FFN Fusion romahdutti peräkkäiset eteenpäinsyöttölohkot harvemmiksi, leveämmiksi ja rinnakkaisiksi — leikaten sekventiaalista syvyyttä eikä parametrimäärää. LN-Ultra mahtui yhdelle 8×H100-solmulle ja päihitti NVIDIAn artikkelin mukaan DeepSeek-R1:n GPQA-Diamondissa (76,0 % vastaan 71,5 %).

Toinen oli käyttäytymiseen liittyvä: Llama-Nemotron oli ensimmäinen avoin perhe jossa oli dynaaminen päättelykytkin, joka merkitsi koulutusdatan järjestelmäohjeessa detailed thinking on tai detailed thinking off, muotopalkkioiden pakottaessa <think>-tägit päällä-tilassa. Yksi painojoukko, kaksi käyttäytymistä, valittavissa päättelyhetkellä. Nemotron 3:n päättelybudjetin hallinta — ja API:mme reasoning_effort-parametri — polveutuu suoraan tuosta työstä.

Nemotron 3 — hybridikäänne

Nemotron 3 korvasi Llama-johdannaisuuden alusta rakennetulla hybridiarkkitehtuurilla ja lisäsi LatentMoE:n (tokenien tiivistäminen ennen reititystä, minkä NVIDIA sanoo sallivan ”4-kertaisen määrän asiantuntijoita samalla päättelykustannuksella”), monen tokenin ennustuksen ja natiivin NVFP4-esikoulutuksen. NVIDIA julkaisi painojen rinnalla kumulatiivisesti 50 miljoonaa SFT-näytettä, 2 miljoonaa RL-tehtävää ja 55 RL-ympäristöä — sinun ei tarvitse uskoa valmistajan sanaa siitä mitä mallille opetettiin, koska opetusmateriaali on ladattavissa.

03Mitä hybridiarkkitehtuuri ostaa sinulle

Transformerin KV-välimuisti kasvaa lineaarisesti sekvenssin pituuden mukana, ja siksi pitkän kontekstin päättely käy kalliiksi muistissa ennen kuin laskennassa. Mamba-2-kerrokset ovat tila-avaruusmalleja jotka kantavat kiinteän kokoista rekurrenttia tilaa, joten niiden tokenikohtainen muistikustannus ei kasva historian mukana; ne ovat huonoja tarkassa assosiatiivisessa muistista haussa. Hybridi pitää Mamba-2:n valtaosaan sekvenssinkäsittelystä ja lisää vähemmistön aitoja huomiokerroksia sitä muistista hakua varten jota tila-avaruuskerrokset sössivät, ja aggressiivinen 64 kyselypään / 2 KV-pään suhde kutistaa välimuistia lisää. NVIDIA raportoi 94,7 % RULERissa miljoonan tokenin pituudella — neulanhakuvertailussa joka on rakennettu paljastamaan mallit jotka väittävät ikkunaa jota eivät osaa käyttää.

Seuraus on läpimeno: NVIDIA väittää jopa noin 6-kertaista päättelyn läpimenoa vastaaviin malleihin nähden samalla tarkkuudella, ja Artificial Analysis mittasi riippumattomasti 140,3 tokenia sekunnissa 1,33 sekunnin ensimmäisen tokenin viiveellä — 7. sija 89 mallista. 200 kierroksen agenttiajossa se on ero sen välillä, valmistuuko työ iltapäivässä vai ei ollenkaan.

04Mitä ”3BIT-REAP” rehellisesti tarkoittaa

Pääte ei ole koristetta — se kertoo täsmälleen mitä perustalle tehtiin jotta se mahtuisi.

REAP — Router-weighted Expert Activation Pruning — tulee Cerebras Researchilta ja hyväksyttiin ICLR 2026:een. Harvassa MoE:ssa reititin lähettää jokaisen tokenin kourallisille asiantuntijoille; todellisessa kuormassa joitain osutaan jatkuvasti ja toisia lähes ei koskaan. REAP pisteyttää jokaisen asiantuntijan merkitsevyyskriteerillä joka yhdistää sen kuinka voimakkaasti reititin portittaa sen ja kuinka suuria sen tulosteosuudet ovat, ja poistaa sitten vähiten merkitykselliset kokonaan — Cerebras raportoi karsivansa jopa 50 % asiantuntijoista jopa biljoonan parametrin malleista säilyttäen suurelta osin perustason laadun, ja toteaa että generatiivisissa tehtävissä kuten koodissa karsiminen voittaa yhdistämisen. 3-bittinen kvantisointi pakkaa sitten sen mikä säilyi. Ensin karsitaan, sitten kvantisoidaan, jotta bittibudjetti menee liikennettä kantaville asiantuntijoille eikä leviä kuolleiden yli.

Pakkaus ei ole ilmaista, emmekä esitä toisin: aggressiivinen kvantisointi näkyy ensin pieninä heikennyksinä tarkan muodon noudattamisessa ja pitkien ketjujen aritmetiikassa, ei näkyvänä epäjohdonmukaisuutena. Missä kolme tasoa asettuvat:

Pääte	Mikä se on	Missä käytämme sitä
3BIT-REAP	3-bittiset painot + asiantuntijoiden karsinta	Suurimmat perustat, joille mikään muu ei mahdu nopeasti
W4A16-AUTOROUND-REAP	4-bittiset painot / 16-bittiset aktivaatiot, AutoRoundin opittu pyöristys, + karsinta	Keskikokoiset perustat; AutoRound palauttaa tarkkuutta naiiviin lähimpään pyöristykseen verrattuna
W8A16	8-bittiset painot / 16-bittiset aktivaatiot	Korkein tarkkuus; perustat jotka ovat riittävän pieniä jottei aggressiivista pakkausta tarvita

Nemotron 3 Ultra 550 miljardin parametrin kokoisena on suoraan ensimmäisessä luokassa. Jos kuormasi on epätavallisen herkkä tarkalle numeeriselle tulosteelle pitkissä ketjuissa, tutkimushakemisto listaa W8A16-tason — MiMo-V2.5-Pro-W8A16 ja Hy3-W8A16 — hintalattialla $0.50/$2.00. Aito vaihtokauppa, ei suppilo: pienempi malli, vähemmän pakkausta.

05Mitä ”sensuroimaton” tarkoittaa tässä päätepisteessä

Konkreettisesti: kieltäytymiskerrosta ei ole eikä tulosteeseen sovelleta sisällönsuodatusta. Mikään luokittelija ei tarkasta kehotettasi ja palauta purkitettua kieltäytymistä, eikä vastausta skannata ennen kuin se saapuu suoratoistoosi. Saat mallin oman käyttäytymisen.

Tässä avoin sukulinja lakkaa olemasta pelkkää trivia. Koska NVIDIA julkaisi jälkikoulutusaineiston ja RL-ympäristöt, mallin taipumukset ovat periaatteessa auditoitavissa eivätkä kansanperinnettä. Ja koska OpenMDW-1.1 on salliva Linux Foundationin lisenssi joka kattaa arkkitehtuurin, parametrit, dokumentaation ja ohjelmiston, riippumaton operaattori voi tarjota muunnellun, suodattamattoman käyttöönoton omalla laitteistollaan ilman että lisenssi on esteenä. Monet ”avoimet” mallilisenssit eivät salli sitä. Tämä sallii. Ero näkyy siellä missä refleksinomainen kieltäytyminen on bugi eikä turvaominaisuus:

• Tietoturvatutkimus — haavoittuvuusanalyysi, hyväksikäyttöjen päättely, haittaohjelmien käyttäytyminen, red team -työkalut, ilman väittelyä siitä onko kysymys sallittu.
• Kemia, biologia ja farmakologia — annoslaskenta, reaktiomekanismit, toksikologia, synteesireitit joista suodatettu päätepiste kieltäytyy avainsanakosketuksesta.
• Adversariaalinen koneoppiminen — vaikeat negatiiviset esimerkit, jailbreak-korpukset ja väärinkäyttötaksonomiat luokittelijoille joiden on täytynyt nähdä oikea tavara.
• Kliininen, oikeudellinen ja oikeuslääketieteellinen teksti — tapausaineisto joka on luonnostaan raakaa ja josta kieltäydytään täsmälleen siitä syystä.

Sensuroimaton ei ole vastuuvapaa. Omistat sen minkä tuotat, ja tiliä koskevat vastuullisen käytön käytäntömme ja käyttöehtomme. Kieltäytymiskerroksen poistaminen poistaa arvauksen aikeista; se ei poista velvoitteitasi sinuun sovellettavan lain nojalla.

06STEM ja päättely: mitä julkaistut luvut sanovat

Nemotronin koulutuksen painopiste on ollut matematiikka, koodi, luonnontieteet ja ohjeiden noudattaminen siitä lähtien kun Llama-Nemotronin jälkikoulutusaineisto rakennettiin täsmälleen noiden neljän akselin ympärille. Mitä NVIDIA raportoi Nemotron 3 Ultra -perustalle — valmistajan raportoimat luvut pakkaamattomalle mallille, joita me emme ajaneet:

Kaksi varaumaa jotka ovat lukuja arvokkaampia. SWE-Bench Verified -luku on vaihteluväli — NVIDIA raportoi 65,0 %:sta 70,4 %:iin sen mukaan mikä agenttikehys sen ajaa (Pi, OpenHands, Hermes, OpenCode, Mini SWE Agent), ja viiden pisteen hajonta pelkästä tukirakenteesta osoittaa kuinka paljon agenttipisteet riippuvat kehyksestä eivätkä mallista. Ja Artificial Analysis sijoitti Nemotron 3 Ultran lukemaan 48 älykkyysindeksissään, 9. sijalle 89 mallista — vahva mutta ei kärkeä, ja heidän riippumaton mittauksensa on se jota painottaisimme minkä tahansa valmistajan kalvon yli.

Aiemmasta sukupolvesta NVIDIAn Llama-Nemotron-artikkeli raportoi LN-Ultralle 76,0 % GPQA-Diamondissa DeepSeek-R1:n 71,5 % ja Llama-3.1-405B-Instructin 43,4 % vastaan, plus 80,8 % AIME 2024:ssä — eri malli, mukana koska korkeakoulutason luonnontiede ja kilpailumatematiikka ovat olleet perheen kohde kahden sukupolven ajan.

Vertailuluvut sellaisina kuin NVIDIA on ne julkaissut (kesäkuu 2026) pakkaamattomasta Nemotron 3 Ultrasta, ja Artificial Analysis riippumattomista mittauksista. Pakatut buildit voivat poiketa. Emme julkaise vertailulukuja joita emme ole todentaneet tai joita emme voi attribuoida.

07Hinta ja monisanaisuuden varauma

Hintaan $0.75 miljoonalta syötetokenilta ja $3.30 miljoonalta tulostetokenilta Nemotron3Ultra asettuu luettelomme alimpaan kolmannekseen syötteessä ja keskelle tulosteessa. Laskettuja esimerkkejä, koska miljoonakohtaista hinnoittelua on vaikea hahmottaa:

Kutsun muoto	Syöte	Tuloste	Kustannus
Tyypillinen RAG-kierros	50,000	4,000	$0.051
Pitkän dokumentin analyysi	150,000	8,000	$0.139
Enimmäiskokoinen kutsu	262,144	16,384	$0.251

Täyden kontekstin ja täyden tulosteen pyyntö — jokainen token jonka päätepiste ottaa vastaan ja jokainen token jonka se tuottaa — maksaa noin 25 senttiä. Sama muoto mallilla Kimi-K3-3BIT-REAP, kalleimmalla mallillamme hintaan $3.83/$19.12, maksaa noin $1.32 eli 5,3× enemmän.

Nyt varauma, ja se on todellinen. Artificial Analysis mittasi Nemotron 3 Ultran tuottavan 2,3× enemmän tulostetokeneita kuin mediaanivertailukohta heidän testisarjassaan. Päättelymallit laskuttavat ajattelusta, ja tämä ajattelee pitkään; tokenikohtainen hintaetu haihtuu tehtäväkohtaiseksi haitaksi jos malli päättelee kolme kertaa pidempään päätyäkseen samaan vastaukseen. Lievennys on rakennettu sisään ja tarjolla API:ssamme: Nemotron 3 jälkikoulutettiin päättelybudjetin hallintaan, ja reasoning_effort on tuettuna täällä — NVIDIA kuvaa matalamman panoksen tilan käyttävän olennaisesti vähemmän ajattelutokeneita yksinumeroisella tarkkuusvaihtokaupalla. Luokittelussa, poiminnassa ja reitityksessä käännä se alas ja talous muuttuu olennaisesti; todistuksessa tai monen tiedoston refaktoroinnissa käännä se ylös ja maksa siitä tietoisesti. Mittaa omat tokenit tehtävää kohti sen sijaan että lukisit hinnaston ja olettaisit.

08Kutsuminen: kolme murretta, yksi malli

Jokainen yhdyskäytävän malli vastaa kolmella suoratoistavalla API-pinnalla, joten voit osoittaa olemassa olevan asiakkaan siihen kirjoittamatta integraatiotasi uusiksi: /v1/chat/completions (OpenAI-murre), /v1/messages (Anthropic-murre) ja /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."}
    ]
  }'

Kyvykkyyskooste, jottei mikään yllätä integraatiovaiheessa:

Ominaisuus	Nemotron3Ultra · 3BIT-REAP
Konteksti-ikkuna	262 144 tokenia
Enimmäistuloste / pyyntö	16 384 tokenia
Suoratoisto	Kyllä
Työkalukutsut	Kyllä
Päättelyjäljet	Kyllä
reasoning_effort	Kyllä
json_schema (tiukka)	Kyllä
response_format	Kyllä
Näkö / kuvasyöte	Ei — vain teksti
Kieltäytymiskerros	Ei ole

Näkörivi yllättää ihmiset: Nemotron3Ultra on vain tekstille. Jos putkesi lähettää kuvia, käytä mallia MiniMax-M3-3BIT-REAP tai MiMo-V2.5-W8A16 hintaan $0.50/$2.00, tai mallia Kimi-K2.6-W4A16-AUTOROUND-REAP hintaan $0.78/$3.67 — kaikki näkökykyisiä, kaikki sensuroimattomia, kaikki samalla 262 144 tokenin kontekstilla. Täysi parametriviite on API-dokumentaatiossa.

09Mihin Nemotron3Ultra asettuu kahdentoista joukossa

Luettelo on kaksitoista sensuroimatonta mallia jotka jakavat saman konteksti-ikkunan, samat kolme murretta ja saman kieltäytymiskerroksen puuttumisen; ne eroavat perustassa, hinnassa ja kyvykkyydessä. Nemotronin paikka on täsmällinen: avoimen sukulinjan päättelyn työjuhta — ei halvin, ei kyvykkäin, mutta se jonka käyttäytymisen takana on julkisin paperijälki, viritettynä kovimmin STEM-työhön ja agentteihin.

Malli	Sisään / 1M	Ulos / 1M	Näkö	Valitse tähän
MiniMax-M3 · 3BIT-REAP	$0.50	$2.00	Kyllä	Halvin näkökykyinen vaihtoehto
MiMo-V2.5-Pro · W8A16	$0.50	$2.00	Ei	Korkeimman tarkkuuden kvantisointitaso
GLM-5.2 · 3BIT-REAP	$0.73	$2.34	Ei	Halvin suuren perustan päättely
Nemotron3Ultra · 3BIT-REAP	$0.75	$3.30	Ei	STEM, agentit, avoin sukulinja
Kimi-K2.6 · W4A16-AUTOROUND-REAP	$0.78	$3.67	Kyllä	Näkö + AutoRound-tarkkuus
DeepSeek-V4-Pro · 3BIT-REAP	$1.95	$3.90	Ei	Syvä yhden kutsun analyysi
Kimi-K3 · 3BIT-REAP	$3.83	$19.12	Kyllä	Absoluuttinen kyvykkyyskatto

Seitsemän kahdestatoista näytetty. Koko luettelo — mukaan lukien Laguna-S-2.1, inkling, DeepSeek-V4-Flash, MiMo-V2.5 ja Hy3 — on API-dokumentaatiossa. Huomaa että Laguna-S-2.1 ei tue rakenteista tulostetta ja inkling ei tue json_schema-määrittelyä; Nemotron3Ultra tukee molempia.

Lähin naapuri hinnan perusteella on GLM-5.2-3BIT-REAP hintaan $0.73/$2.34, ja rehellinen vertailu on tämä: GLM-5.2 on halvempi tokenia kohti, erityisesti tulosteessa. Nemotron tuo julkaistun koulutuskorpuksen, eksplisiittisen päättelybudjetin säätimen ja perhehistorian joka tähtää korkeakoulutason luonnontieteeseen. Suurivolyyminen yleispäättely: aja halvempaa. STEM-painotteinen, agenttimainen tai auditoinnin kohteena jossa kysytään mistä mallin käyttäytyminen tuli: Nemotron ansaitsee erotuksen.

10Usein kysytyt kysymykset

---

Lähteet: NVIDIAn Nemotron 3 Ultran tekninen raportti · NVIDIAn kehittäjäblogi (kesäkuu 2026) · Nemotron 3 Superin arkkitehtuurimuistiinpanot · Llama-Nemotron: Efficient Reasoning Models · Cerebras Research, REAP. Perustan vertailuluvut ovat NVIDIAn raportoimia pakkaamattomasta mallista ellei niitä ole attribuoitu Artificial Analysisille; pakatut buildit voivat poiketa. Hinnat ja ominaisuudet ovat ajan tasalla 5. syyskuuta 2026.