API Nemotron sans censure
Le pedigree de recherche de NVIDIA, publié au grand jour, servi sans couche de refus : un MoE hybride Mamba-Attention de 550 milliards de paramètres réglé pour les STEM et le raisonnement sur long horizon — à 0,75 $ en entrée / 3,30 $ en sortie par million de tokens.
En bref
Nemotron3Ultra-3BIT-REAP est le déploiement sans censure par Shannon de NVIDIA Nemotron 3 Ultra — un modèle à mélange d'experts de 550 milliards de paramètres, dont 55 milliards actifs par token, publié le 4 juin 2026 avec ses poids, ses données d'entraînement et ses recettes sous la licence permissive OpenMDW-1.1 de la Linux Foundation. Sur notre propre cluster GPU, il tourne sans couche de refus ni filtrage de sortie, avec un contexte de 262,144 tokens, jusqu'à 16,384 tokens de sortie par requête, l'appel d'outils, le streaming, les traces de raisonnement et la sortie json_schema stricte. Il n'accepte pas les images. Prix : 0,75 $ / 3,30 $ par 1M de tokens.
La plupart des modèles « ouverts » le sont pour les poids et rien d'autre — une archive de paramètres, une licence, et le silence sur l'origine des chiffres. Nemotron est l'exception constante depuis deux ans : NVIDIA livre les poids, les jeux de données de post-entraînement, les environnements de RL et la recette. Pour un point de terminaison sans censure, cela compte d'une manière qu'on sous-estime facilement. Un modèle dont les données d'alignement sont publiées est un modèle dont on peut raisonner sur le comportement de refus au lieu de le deviner — et qu'un tiers peut légitimement déployer sans lui visser un filtre de contenu sur la bouche.
01Qu'est-ce que Nemotron 3 Ultra ?
Nemotron 3 Ultra est le plus grand membre de la famille Nemotron 3 de NVIDIA, publié sur Hugging Face le 4 juin 2026. Le rapport technique de NVIDIA le décrit comme « un modèle de langage à mélange d'experts hybride Mamba-Attention de 550 milliards de paramètres au total et 55 milliards actifs » — environ 10 % du réseau travaille sur un token donné, ce qui est précisément ce qui rend servable un modèle d'un demi-billion de paramètres.
La disposition rapportée compte 108 couches à une dimension de modèle de 8,192, entrelaçant des couches à espace d'états Mamba-2 avec un ensemble épars de couches d'attention complète, 512 experts par couche MoE avec un routage top-22. Le pré-entraînement a porté sur environ 20 000 milliards de tokens de texte en deux phases — d'abord biaisée vers la diversité, puis vers la qualité — avec une date de coupure en septembre 2025, 12 langues naturelles et 43 langages de programmation. Le post-entraînement a combiné SFT, RL multi-environnements à récompenses vérifiables et distillation on-policy multi-enseignants à partir de plus de dix enseignants spécialistes. La cible de conception affichée, ce sont les agents de longue durée : des sessions qui tiennent un contexte volumineux, appellent des outils des dizaines de fois et durent assez longtemps pour que l'économie au token domine la facture.
02La lignée Nemotron, et pourquoi le pedigree compte
Nemotron n'est pas un coup isolé. C'est la partie visible d'un programme de recherche que NVIDIA mène dans la même direction depuis 2024, et chaque génération a laissé quelque chose que le modèle actuel porte encore. Nemotron-4 340B (juin 2024) était livré avec un pipeline ouvert de génération de données synthétiques, son modèle de récompense et son générateur, plus une divulgation inhabituelle : l'écrasante majorité de ses données d'alignement avait été produite par un modèle. Le modèle vu comme une usine à données plutôt que comme un oracle, voilà pourquoi les sorties Nemotron ultérieures continuent de livrer des jeux de données à côté des poids.
Llama-Nemotron — un raisonnement qu'on peut couper
La famille Llama-Nemotron de 2025 (LN-Nano 8B, LN-Super 49B, LN-Ultra 253B) a apporté deux idées qui ont bien vieilli. La première est architecturale : la recherche d'architecture neuronale Puzzle de NVIDIA a constitué une bibliothèque de blocs de transformeur distillés bloc par bloc, puis les a assemblés par programmation en nombres entiers mixtes, produisant des modèles où certains blocs sautent entièrement l'attention ou la remplacent par une simple couche linéaire, tandis que la fusion de FFN réunissait des blocs feed-forward consécutifs en blocs moins nombreux, plus larges et parallèles — réduisant la profondeur séquentielle plutôt que le nombre de paramètres. LN-Ultra tenait sur un seul nœud 8×H100 tout en dépassant, selon l'article de NVIDIA, DeepSeek-R1 à GPQA-Diamond (76,0 % contre 71,5 %).
La seconde est comportementale : Llama-Nemotron a été la première famille ouverte dotée d'un interrupteur de raisonnement dynamique, en étiquetant les données d'entraînement detailed thinking on ou detailed thinking off dans l'instruction système, avec des récompenses de format imposant les balises <think> en mode activé. Un seul jeu de poids, deux comportements, sélectionnables à l'inférence. Le contrôle du budget de raisonnement de Nemotron 3 — et le paramètre reasoning_effort de notre API — descendent directement de ce travail.
Nemotron 3 — le virage hybride
Nemotron 3 a remplacé la dérivation de Llama par une architecture hybride repartie de zéro et y a ajouté LatentMoE (compression des tokens avant le routage, ce qui, selon NVIDIA, permet « quatre fois plus d'experts pour le même coût d'inférence »), la prédiction multi-tokens et un pré-entraînement nativement en NVFP4. NVIDIA a publié, à côté des poids, un cumul de 50 millions d'échantillons de SFT, 2 millions de tâches de RL et 55 environnements de RL — vous n'avez pas à croire un éditeur sur parole quant à ce que le modèle a appris, puisque le matériel pédagogique est téléchargeable.
03Ce que l'architecture hybride vous apporte
Le cache KV d'un transformeur croît linéairement avec la longueur de séquence, et c'est pourquoi l'inférence à long contexte devient coûteuse en mémoire avant de l'être en calcul. Les couches Mamba-2 sont des modèles à espace d'états portant un état récurrent de taille fixe : leur coût mémoire par token ne croît donc pas avec l'historique. Ce qu'elles font mal, c'est le rappel associatif précis. L'hybride garde Mamba-2 pour l'essentiel du traitement de séquence, plus une minorité de vraies couches d'attention pour le rappel que les couches à espace d'états ratent, avec un ratio agressif de 64 têtes de requête pour 2 têtes KV qui réduit encore le cache. NVIDIA rapporte 94,7 % à RULER sur 1M de tokens — un benchmark de recherche d'aiguille conçu pour épingler les modèles qui annoncent une fenêtre qu'ils ne savent pas exploiter.
La conséquence, c'est le débit : NVIDIA revendique jusqu'à environ 6× plus de débit d'inférence que des modèles comparables à exactitude équivalente, et Artificial Analysis a mesuré indépendamment 140,3 tokens par seconde avec un délai de 1,33 seconde jusqu'au premier token — 7e sur 89 modèles. Sur une exécution d'agent de 200 tours, c'est la différence entre finir dans l'après-midi et ne pas finir.
04Ce que « 3BIT-REAP » signifie, honnêtement
Le suffixe n'est pas décoratif — il vous dit exactement ce qui a été fait à la fondation pour la faire tenir.
REAP — Router-weighted Expert Activation Pruning — vient de Cerebras Research et a été accepté à ICLR 2026. Dans un MoE épars, le routeur envoie chaque token vers une poignée d'experts ; sur une charge de travail réelle, certains sont sollicités en permanence et d'autres presque jamais. REAP note chaque expert selon un critère de saillance qui combine la force avec laquelle le routeur l'active et l'ampleur de ses contributions en sortie, puis retire purement et simplement les moins saillants — Cerebras rapporte l'élagage de jusqu'à 50 % des experts sur des modèles allant jusqu'à 1 000 milliards de paramètres en préservant largement la qualité de référence, et constate que pour les tâches génératives comme le code, l'élagage l'emporte sur la fusion. La quantification en 3 bits compresse ensuite ce qui a survécu. Élaguer d'abord, quantifier ensuite, pour que le budget de bits aille aux experts qui portent le trafic au lieu d'être étalé sur des experts morts.
La compression n'est pas gratuite, et nous ne prétendrons pas le contraire : une quantification agressive se manifeste d'abord par de légères dégradations du respect exact des formats et de l'arithmétique en longue chaîne, pas par une incohérence visible. Où se situent les trois paliers :
| Suffixe | Ce que c'est | Où nous l'utilisons |
|---|---|---|
| 3BIT-REAP | Poids 3 bits + élagage d'experts | Les plus grandes fondations, là où rien d'autre ne tient à cette vitesse |
| W4A16-AUTOROUND-REAP | Poids 4 bits / activations 16 bits, arrondi appris AutoRound, + élagage | Fondations de taille moyenne ; AutoRound récupère de l'exactitude face à un arrondi naïf au plus proche |
| W8A16 | Poids 8 bits / activations 16 bits | Fidélité maximale ; fondations assez petites pour ne pas nécessiter de compression agressive |
Nemotron 3 Ultra, avec ses 550 milliards de paramètres, relève clairement de la première catégorie. Si votre charge de travail est inhabituellement sensible à l'exactitude numérique sur de longues chaînes, l'index de recherche répertorie le palier W8A16 — MiMo-V2.5-Pro-W8A16 et Hy3-W8A16 — au plancher de 0,50 $ / 2,00 $. Un vrai arbitrage, pas un entonnoir : modèle plus petit, compression moindre.
05Ce que « sans censure » veut dire sur ce point de terminaison
Concrètement : il n'y a aucune couche de refus ni aucun filtrage de contenu appliqué à la sortie. Aucun classifieur n'inspecte votre prompt pour renvoyer un refus préfabriqué, et la réponse n'est pas passée au crible avant d'atteindre votre flux. Ce que vous obtenez, c'est le comportement propre du modèle.
C'est là que la lignée ouverte cesse d'être une anecdote. Parce que NVIDIA a publié les données de post-entraînement et les environnements de RL, les dispositions du modèle sont auditables en principe plutôt que folkloriques. Et parce que OpenMDW-1.1 est une licence permissive de la Linux Foundation couvrant l'architecture, les paramètres, la documentation et le logiciel, un opérateur indépendant peut servir un déploiement modifié et non filtré sur son propre matériel sans que la licence y fasse obstacle. Beaucoup de licences de modèles « ouverts » ne le permettent pas. Celle-ci, si. La différence se voit là où le refus réflexe est un défaut, pas une fonctionnalité de sécurité :
- Recherche en sécurité — analyse de vulnérabilités, raisonnement sur les exploits, comportement des malwares, outillage de red team, sans avoir à débattre de la légitimité de la question.
- Chimie, biologie et pharmacologie — calculs de posologie, mécanismes réactionnels, toxicologie, voies de synthèse qu'un point de terminaison filtré refuse au simple contact d'un mot-clé.
- ML adverse — négatifs difficiles, corpus de jailbreak et taxonomies d'abus, pour des classifieurs qui doivent avoir vu la chose réelle.
- Textes cliniques, juridiques et forensiques — des pièces de dossier crues par nature, refusées pour exactement cette raison.
Sans censure ne veut pas dire sans responsabilité. Vous êtes propriétaire de ce que vous générez, et notre politique d'usage responsable ainsi que nos conditions d'utilisation régissent le compte. Retirer une couche de refus supprime une supposition sur l'intention ; cela ne supprime pas vos obligations au titre du droit qui vous est applicable.
06STEM et raisonnement : ce que disent les chiffres publiés
L'entraînement de Nemotron est centré sur les maths, le code, les sciences et le suivi d'instructions depuis que le jeu de données de post-entraînement de Llama-Nemotron a été bâti autour de ces quatre axes exactement. Ce que NVIDIA rapporte pour la fondation Nemotron 3 Ultra — des chiffres rapportés par l'éditeur sur le modèle non compressé, que nous n'avons pas exécutés nous-mêmes :
Deux réserves valent plus que les chiffres eux-mêmes. Le score à SWE-Bench Verified est une plage — NVIDIA rapporte de 65,0 % à 70,4 % selon le harnais d'agent qui l'exécute (Pi, OpenHands, Hermes, OpenCode, Mini SWE Agent), et cinq points d'écart dus au seul échafaudage montrent à quel point les scores agentiques dépendent du harnais plutôt que du modèle. Et Artificial Analysis situe Nemotron 3 Ultra à 48 sur son Intelligence Index, 9e sur 89 modèles — solide, sans être en tête du peloton, et c'est leur mesure indépendante que nous privilégierions face à la diapositive de n'importe quel éditeur.
Sur la génération précédente, l'article Llama-Nemotron de NVIDIA donne LN-Ultra à 76,0 % à GPQA-Diamond contre 71,5 % pour DeepSeek-R1 et 43,4 % pour Llama-3.1-405B-Instruct, plus 80,8 % à AIME 2024 — un autre modèle, mentionné parce que les sciences de niveau doctoral et les maths de compétition sont la cible de la famille depuis deux générations.
Chaque chiffre présenté ici est publié par quelqu'un d'autre que nous. Vérifiez les sources primaires par vous-même.
Chiffres de benchmarks tels que publiés par NVIDIA (juin 2026) sur le Nemotron 3 Ultra non compressé, et par Artificial Analysis pour les mesures indépendantes. Les builds compressés peuvent différer. Nous ne publions pas de chiffres de benchmarks que nous n'avons pas vérifiés ou que nous ne pouvons pas attribuer.
07Le prix, et la réserve sur la verbosité
À 0,75 $ par million de tokens d'entrée et 3,30 $ par million de tokens de sortie, Nemotron3Ultra se situe dans le tiers inférieur de notre catalogue en entrée et au milieu en sortie. Des exemples chiffrés, parce qu'un tarif au million est difficile à se représenter :
| Forme d'appel | Entrée | Sortie | Coût |
|---|---|---|---|
| Tour de RAG typique | 50,000 | 4,000 | 0,051 $ |
| Analyse de document long | 150,000 | 8,000 | 0,139 $ |
| Appel de taille maximale | 262,144 | 16,384 | 0,251 $ |
Une requête à contexte plein et sortie pleine — chaque token que le point de terminaison acceptera et chaque token qu'il produira — coûte environ 25 cents. La même forme sur Kimi-K3-3BIT-REAP, notre modèle le plus cher à 3,83 $ / 19,12 $, coûte environ 1,32 $, soit 5,3× plus.
Maintenant la réserve, et elle est réelle. Artificial Analysis a mesuré que Nemotron 3 Ultra génère 2,3× plus de tokens de sortie que le pair médian sur l'ensemble de leur suite de benchmarks. Les modèles de raisonnement vous facturent la réflexion, et celui-ci réfléchit longuement ; un avantage de prix au token s'évapore en désavantage par tâche si le modèle raisonne trois fois plus longtemps pour arriver à la même réponse. L'atténuation est intégrée et exposée sur notre API : Nemotron 3 a été post-entraîné pour le contrôle du budget de raisonnement, et reasoning_effort est pris en charge ici — NVIDIA décrit un mode à effort réduit qui consomme nettement moins de tokens de réflexion pour un point d'exactitude à un chiffre en échange. En classification, extraction et routage, baissez-le et l'économie change sensiblement ; sur une démonstration ou un refactoring multi-fichiers, montez-le et payez-le délibérément. Mesurez vos propres tokens par tâche plutôt que de lire la grille tarifaire et de supposer.
08L'appeler : trois dialectes, un seul modèle
Tous les modèles de la passerelle répondent sur trois surfaces d'API en streaming, de sorte que vous pouvez y pointer un client existant sans réécrire votre intégration : /v1/chat/completions (dialecte OpenAI), /v1/messages (dialecte Anthropic) et /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."}
]
}'Récapitulatif des capacités, pour qu'aucune surprise ne vous attende au moment de l'intégration :
| Capacité | Nemotron3Ultra · 3BIT-REAP |
|---|---|
| Fenêtre de contexte | 262,144 tokens |
| Sortie max / requête | 16,384 tokens |
| Streaming | Oui |
| Appel d'outils | Oui |
| Traces de raisonnement | Oui |
reasoning_effort | Oui |
json_schema (strict) | Oui |
response_format | Oui |
| Vision / entrée image | Non — texte uniquement |
| Couche de refus | Aucune |
La ligne « vision » surprend souvent : Nemotron3Ultra est en texte seul. Si votre pipeline envoie des images, utilisez MiniMax-M3-3BIT-REAP ou MiMo-V2.5-W8A16 à 0,50 $ / 2,00 $, ou Kimi-K2.6-W4A16-AUTOROUND-REAP à 0,78 $ / 3,67 $ — tous capables de vision, tous sans censure, tous sur le même contexte de 262,144 tokens. La référence complète des paramètres se trouve dans la documentation de l'API.
09Où Nemotron3Ultra se place parmi les douze
Le catalogue compte douze modèles sans censure partageant la même fenêtre de contexte, les mêmes trois dialectes et la même absence de couche de refus ; ils diffèrent par la fondation, le prix et les capacités. La position de Nemotron est précise : le cheval de trait du raisonnement à lignée ouverte — ni le moins cher, ni le plus capable, mais celui dont le comportement s'appuie sur la trace publique la plus fournie, et le plus fortement réglé pour les STEM et les agents.
| Modèle | Entrée / 1M | Sortie / 1M | Vision | À choisir pour |
|---|---|---|---|---|
| MiniMax-M3 · 3BIT-REAP | 0,50 $ | 2,00 $ | Oui | L'option avec vision la moins chère |
| MiMo-V2.5-Pro · W8A16 | 0,50 $ | 2,00 $ | Non | Le palier de quantification le plus fidèle |
| GLM-5.2 · 3BIT-REAP | 0,73 $ | 2,34 $ | Non | Le raisonnement sur grande fondation le moins cher |
| Nemotron3Ultra · 3BIT-REAP | 0,75 $ | 3,30 $ | Non | STEM, agents, lignée ouverte |
| Kimi-K2.6 · W4A16-AUTOROUND-REAP | 0,78 $ | 3,67 $ | Oui | Vision + fidélité AutoRound |
| DeepSeek-V4-Pro · 3BIT-REAP | 1,95 $ | 3,90 $ | Non | Analyse approfondie en un seul coup |
| Kimi-K3 · 3BIT-REAP | 3,83 $ | 19,12 $ | Oui | Le plafond absolu de capacité |
Sept modèles sur douze présentés. Le catalogue complet — dont Laguna-S-2.1, inkling, DeepSeek-V4-Flash, MiMo-V2.5 et Hy3 — figure dans la documentation de l'API. Notez que Laguna-S-2.1 ne prend pas en charge la sortie structurée et qu'inkling ne prend pas en charge json_schema ; Nemotron3Ultra prend en charge les deux.
Le voisin le plus proche par le prix est GLM-5.2-3BIT-REAP à 0,73 $ / 2,34 $, et la comparaison honnête est la suivante : GLM-5.2 est moins cher au token, surtout en sortie. Nemotron apporte un corpus d'entraînement publié, un curseur explicite de budget de raisonnement et une histoire de famille visant les sciences de niveau doctoral. Raisonnement généraliste à gros volume : prenez le moins cher. Charge à dominante STEM, agentique, ou soumise à un audit qui demande d'où vient le comportement du modèle : Nemotron mérite la différence.
10Questions fréquentes
Qu'est-ce que l'API Nemotron sans censure ?
C'est le point de terminaison hébergé par Shannon AI pour Nemotron3Ultra 3BIT-REAP, un build compressé du Nemotron 3 Ultra à poids ouverts de NVIDIA. Il tourne sur notre propre cluster GPU, sans couche de refus ni filtrage de sortie, expose un contexte de 262,144 tokens et 16,384 tokens de sortie par requête, et coûte 0,75 $ par million de tokens d'entrée et 3,30 $ par million de tokens de sortie.
Nemotron de NVIDIA est-il vraiment à poids ouverts ?
Oui. NVIDIA a publié Nemotron 3 Ultra le 4 juin 2026 avec les poids, les données d'entraînement et les recettes sous la licence permissive OpenMDW-1.1 de la Linux Foundation, après Nemotron-4 340B et la famille Llama-Nemotron. C'est cette ouverture qui rend possible un déploiement indépendant et non filtré.
Que signifie 3BIT-REAP ?
Deux étapes de compression. REAP — Router-weighted Expert Activation Pruning, issu de Cerebras Research et accepté à ICLR 2026 — attribue à chaque expert du mélange d'experts un score fondé sur la force avec laquelle le routeur l'active et sur l'ampleur de ses contributions en sortie, puis supprime purement et simplement les moins saillants. Les survivants sont quantifiés en poids 3 bits, si bien que le budget de bits est dépensé pour les experts qui portent réellement le trafic.
Nemotron3Ultra prend-il en charge la vision ou la sortie JSON schema ?
Pas d'images : ce point de terminaison est en texte seul. Il prend en revanche en charge la sortie structurée stricte — json_schema comme response_format — ainsi que l'appel d'outils, le streaming, les traces de raisonnement et reasoning_effort. Pour les images sur un modèle sans censure, utilisez plutôt MiniMax-M3, Kimi-K2.6, Kimi-K3, MiMo-V2.5 ou inkling.
Pourquoi le contexte est-il de 262,144 tokens alors que NVIDIA annonce 1M ?
L'architecture Nemotron 3 vise une fenêtre d'un million de tokens et NVIDIA rapporte 94,7 % à RULER sur cette longueur. Notre déploiement sert 262,144 tokens, la fenêtre que nous tenons à pleine vitesse sur tout le catalogue. Tous les modèles de la passerelle exposent le même contexte, vous pouvez donc changer d'identifiant de modèle sans réécrire votre découpage.
Nemotron est-il bon en maths, en sciences et en code ?
Les STEM et le raisonnement sont la cible déclarée de la famille. NVIDIA rapporte 90 % à PinchBench, 65,0 à 70,4 % à SWE-Bench Verified sur cinq harnais d'agents et 56,4 % à Terminal-Bench 2.1 pour Nemotron 3 Ultra ; le précédent Llama-Nemotron Ultra affichait 76,0 % à GPQA-Diamond contre 71,5 % pour DeepSeek-R1. Tous ces chiffres sont rapportés par l'éditeur sur la fondation non compressée.
Appelez l'API Nemotron sans censure
262K de contexte, appel d'outils, JSON schema strict, aucune couche de refus — 0,75 $ en entrée / 3,30 $ en sortie par 1M de tokens.
Lire la documentation de l'API Toutes les fiches de modèleShannon Lab LLC · Nouveau-Mexique, États-Unis · usage régi par notre politique d'usage responsable
Sources : rapport technique NVIDIA Nemotron 3 Ultra · blog développeurs NVIDIA (juin 2026) · notes d'architecture Nemotron 3 Super · Llama-Nemotron: Efficient Reasoning Models · Cerebras Research, REAP. Les benchmarks de fondation sont rapportés par NVIDIA sur le modèle non compressé sauf attribution à Artificial Analysis ; les builds compressés peuvent différer. Prix et capacités à jour au 5 septembre 2026.