API Nemotron Gun Chaisgireachd
Dualchas rannsachaidh NVIDIA, foillsichte gu fosgailte, air fhrithealadh gun sreath diùltaidh: MoE hybrid Mamba-Attention 550B air a ghleusadh airson STEM agus reusanachadh fad-fhàire — aig $0.75 a-steach / $3.30 a-mach gach millean token.
Geàrr-chunntas
'S e aoigheachd gun chaisgireachd Shannon de NVIDIA Nemotron 3 Ultra a th' ann an Nemotron3Ultra-3BIT-REAP — modail Mixture-of-Experts le 550-billean paramadair le 55B gnìomhach gach token, air a chur a-mach air 4 Ògmhios 2026 le cuideaman, dàta trèanaidh agus reasabaidhean fo cheadachas ceadach OpenMDW-1.1 aig Linux Foundation. Air a' chruinneachadh GPU againn fhìn ruithidh e le gun sreath diùltaidh agus gun sìoladh toraidh, co-theacsa 262,144-token, suas ri 16,384 token toraidh gach iarrtas, gairm-inneal, sruthadh, lorgan reusanachaidh agus toradh teann json_schema. Cha ghabh e ri dealbhan. Prìs: $0.75 / $3.30 gach 1M token.
Tha a' mhòr-chuid de mhodailean "fosgailte" nan cuideaman fosgailte agus dad eile — pasgan de pharamadairean, ceadachas, agus tost mu cò às a thàinig na h-àireamhan. Tha Nemotron air a bhith na eisgeachd sheasmhach airson dà bhliadhna: bidh NVIDIA a' cur a-mach na cuideaman, na seata-dàta iar-thrèanaidh, na h-àrainneachdan RL agus an reasabaidh. Tha sin cudromach do dh'oir-phuing gun chaisgireachd ann an dòigh a tha furasta a leigeil seachad. 'S e modail aig a bheil an dàta co-thaobhaidh foillsichte fear as urrainn dhut reusanachadh a dhèanamh mu ghiùlan a dhiùltaidh seach a bhith a' tuairmseachadh — agus fear as urrainn do threas phàrtaidh a chur an sàs gu dligheach gun sìoltachan susbaint ceangailte ri a bheul.
01Dè th' ann an Nemotron 3 Ultra?
'S e Nemotron 3 Ultra am ball as motha de theaghlach Nemotron 3 aig NVIDIA, air a chur a-mach gu Hugging Face air 4 Ògmhios 2026. Tha aithisg theignigeach NVIDIA ga mhìneachadh mar "modail cànain Mixture-of-Experts Hybrid Mamba-Attention le 550 billean paramadair uile-gu-lèir agus 55 billean gnìomhach" — bidh timcheall air 10% den lìonra ag obair air token sam bith, agus 's e sin as coireach gu bheil modail leth-trillean-paramadair so-dhèanta ri fhrithealadh idir.
'S e an cruth foillsichte 108 sreath aig tomhas modail 8,192, ag eadar-fhilleadh sreathan staid-fànais Mamba-2 le seata gann de shreathan làn-aire, 512 eòlaiche gach sreath MoE le stiùireadh top-22. Ruith ro-thrèanadh air timcheall air 20 trillean token teacsa ann an dà ìre — bias iomadachd an toiseach, an uair sin bias càileachd — le gearradh às Sultain 2025, 12 cànan nàdarra agus 43 cànan prògramachaidh. Chleachd iar-thrèanadh SFT, RL ioma-àrainneachd le duaisean so-dhearbhte, agus Multi-Teacher On-Policy Distillation thairis air còrr is deich tidsearan sònraichte. 'S e an t-amas dealbhaidh a chaidh ainmeachadh àidseantan fad-ruithe: seiseanan a chumas co-theacsa mòr, a chuireas fòn gu innealan dusanan de thursan, agus a ruitheas fada gu leòr gum bi eaconamaidh gach token a' riaghladh a' chunntais.
02Sinnsireachd Nemotron, agus carson a tha an dualchas cudromach
Chan e aon-turas a th' ann an Nemotron. 'S e toradh ri fhaicinn de phrògram rannsachaidh NVIDIA a tha air a bhith a' ruith san aon rathad o 2024, agus dh'fhàg gach ginealach rudeigin a tha am modail làithreach fhathast a' giùlan. Chaidh Nemotron-4 340B (An t-Ògmhios 2024) a-mach le pìoban gineadh dàta synthetach fosgailte, a mhodail duaise agus a ginear, a bharrachd air foillseachadh neo-àbhaisteach: 's e stuth air a ghineadh le modail a bh' anns a' mhòr-chuid mhòr den dàta cho-thaobhaidh aige. 'S e am modail mar fhactaraidh dàta seach mar oracal as coireach gu bheil na foillseachaidhean Nemotron nas anmoiche fhathast a' cur a-mach seata-dàta còmhla ri cuideaman.
Llama-Nemotron — reusanachadh as urrainn dhut a chur dheth
Chuir teaghlach 2025 Llama-Nemotron (LN-Nano 8B, LN-Super 49B, LN-Ultra 253B) dà bheachd ri chèile a sheas gu math. B' e a' chiad fhear ailtireachdail: thog rannsachadh ailtireachd neurain Puzzle aig NVIDIA leabharlann de bhlocaichean transformer air an driogadh bloca-air-bhloc agus chuir e còmhla iad le prògramadh àireimheil measgaichte, a' toirt a-mach modailean far a bheil cuid de bhlocaichean a' leum seachad air aire gu tur no ga cur an àite aon sreath loidhneach, fhad 's a bha FFN Fusion a' co-thruiseadh blocaichean adhartachaidh a leanas a chèile gu blocaichean nas lugha, nas leatha, co-shìnte — a' gearradh doimhneachd shreathach seach àireamh pharamadairean. Bha LN-Ultra a' freagairt air aon nòd 8×H100 fhad 's a bha e, a rèir pàipear NVIDIA, a' buadhachadh air DeepSeek-R1 air GPQA-Diamond (76.0% an aghaidh 71.5%).
B' e an dàrna fear giùlain: b' e Llama-Nemotron a' chiad teaghlach fosgailte le suidse reusanachaidh fèin-atharrachail, a' cur taga air dàta trèanaidh detailed thinking on no detailed thinking off san stiùireadh siostaim, le duaisean cumaidh a' cur an gnìomh tagaichean <think> sa mhodh "on". Aon seata cuideaman, dà ghiùlan, so-thaghte aig àm co-dhùnaidh. Tha smachd buidseat reusanachaidh Nemotron 3 — agus am paramadair reasoning_effort air an API againn — a' teàrnadh gu dìreach on obair sin.
Nemotron 3 — an tionndadh hybrid
Chuir Nemotron 3 an àite tarraing Llama le ailtireachd hybrid o neoni agus chuir e LatentMoE ris (a' teannachadh thokenan mus tèid an stiùireadh, a chanas NVIDIA a leigeas le "4 tursan uiread de dh'eòlaichean airson an aon chosgais cho-dhùnaidh"), ro-innse ioma-token, agus ro-thrèanadh NVFP4 dùthchasach. Dh'fhoillsich NVIDIA 50 millean sampall SFT carnach, 2 mhillean gnìomh RL agus 55 àrainneachd RL còmhla ris na cuideaman — chan fheum thu facal reiceadair a ghabhail air na chaidh a theagasg don mhodail, oir tha an stuth teagaisg ri luchdachadh a-nuas.
03Dè a cheannaicheas an ailtireachd hybrid dhut
Bidh tasgadan KV transformer a' fàs gu sreathach le fad an t-sreatha, agus sin as coireach gu bheil co-dhùnadh co-theacsa fhada a' fàs daor ann an cuimhne mus fàs e daor ann an àireamhachadh. 'S e modailean staid-fànais a th' ann an sreathan Mamba-2 a' giùlan staid ath-chuairteach de mheud stèidhichte, agus mar sin chan fhàs an cosgais chuimhne gach token le eachdraidh; 's e na tha iad dona air cuimhneachadh co-cheangailte mionaideach. Bidh an hybrid a' cumail Mamba-2 airson a' mhòr-chuid de ghiollachd sreatha a bharrachd air beag-chuid de fhìor shreathan aire airson a' chuimhneachaidh air am bi sreathan staid-fànais a' tuisleachadh, le co-mheas 64-cheann-cheist / 2-cheann-KV dàna a' lùghdachadh an tasgadain a bharrachd. Bidh NVIDIA ag aithris 94.7% air RULER aig 1M token — deuchainn-choimeis ath-lorg snàthaid air a thogail gus modailean a ghlacadh a dh'agras uinneag nach urrainn dhaibh a chleachdadh.
'S e astar co-dhùnaidh a' bhuil: bidh NVIDIA ag agairt suas ri timcheall air 6× astar co-dhùnaidh nas àirde na modailean coimeasach aig cruinneas co-ionnan, agus thomhais Artificial Analysis gu neo-eisimeileach 140.3 token/an diog le ùine de 1.33 diog gus a' chiad token — 7mh à 89 modail. Air ruith àidseant 200-cuairt, 's e sin an diofar eadar crìochnachadh ann am feasgar agus gun chrìochnachadh idir.
04Dè tha "3BIT-REAP" a' ciallachadh, gu h-onarach
Chan e sgeadachadh a th' anns an iar-leasachan — tha e ag innse gu pongail dè chaidh a dhèanamh ris a' bhunait ionnas gum freagradh e.
Tha REAP — Router-weighted Expert Activation Pruning — a' tighinn o Cerebras Research agus chaidh gabhail ris aig ICLR 2026. Ann an MoE fànaisdeach bidh an rianadair a' cur gach token gu dòrlach de dh'eòlaichean; thar uallach-obrach fìor thèid cuid a bhualadh gu cunbhalach agus cuid eile cha mhòr a-riamh. Bidh REAP a' toirt sgòr do gach eòlaiche air slat-thomhais follaiseachd a' co-mheasgadh cho làidir 's a bheir an rianadair geata dha agus cho mòr 's a tha a thabhartasan toraidh, an uair sin a' toirt air falbh na feadhainn as lugha follaiseachd gu buan — bidh Cerebras ag aithris bearradh suas ri 50% de dh'eòlaichean o mhodailean cho mòr ri 1 trillean paramadair fhad 's a chumas iad a' mhòr-chuid de chàileachd bunaiteach, agus lorgaidh iad airson obraichean gineadaireachd leithid còd, gum buadhaich bearradh air co-mheasgadh. Bidh cuantachadh 3-bit an uair sin a' teannachadh na tha air fhàgail. Bearr an toiseach, cuantaich san dàrna àite, agus mar sin thèid am buidseat bit gu eòlaichean a tha a' giùlan trafaic seach a bhith air a smeuradh thar feadhainn marbh.
Chan eil teannachadh saor, agus cha leig sinn oirnn a chaochladh: nochdaidh cuantachadh dàna an toiseach mar chrìonadh beag ann an ùmhlachd cruth cheart agus àireamhachd slabhraidh fhada, chan ann mar neo-chomhaireachd fhollaiseach. Càite a bheil na trì ìrean:
| Iar-leasachan | Dè th' ann | Càite an cleachd sinn e |
|---|---|---|
| 3BIT-REAP | Cuideaman 3-bit + bearradh eòlaichean | Na bunaitean as motha, far nach freagair dad eile aig astar |
| W4A16-AUTOROUND-REAP | Cuideaman 4-bit / gnìomhachaidhean 16-bit, cruinneachadh ionnsaichte AutoRound, + bearradh | Bunaitean meadhan-mheud; bidh AutoRound ag aiseag cruinneas thairis air cruinneachadh sìmplidh gu ìre-as-fhaisge |
| W8A16 | Cuideaman 8-bit / gnìomhachaidhean 16-bit | An dìlseachd as àirde; bunaitean beag gu leòr gun fheum air teannachadh dàna |
Tha Nemotron 3 Ultra aig 550B gu soilleir sa chiad roinn. Ma tha an t-uallach-obrach agad neo-àbhaisteach mothachail air toradh àireimheil ceart thar slabhraidhean fada, tha an clàr-amais rannsachaidh a' liostadh na h-ìre W8A16 — MiMo-V2.5-Pro-W8A16 agus Hy3-W8A16 — aig an làr $0.50/$2.00. Fìor cho-mhalairt, chan e lìon-iasgaich: modail nas lugha, nas lugha teannachaidh.
05Dè tha "gun chaisgireachd" a' ciallachadh air an oir-phuing seo
Gu nithealach: chan eil sreath diùltaidh ann agus chan eil sìoladh susbaint air an toradh air a chur an sàs. Chan eil seòrsaichear a' sgrùdadh a' bhrosnachaidh agad agus a' tilleadh diùltadh ullaichte, agus chan eil am freagairt air a sganadh mus ruig e an sruth agad. 'S e giùlan fèin a' mhodail a gheibh thu.
'S ann an seo a sguireas an t-sinnsireachd fhosgailte bho bhith na fhìrinn thrivial. Air sgàth 's gun do dh'fhoillsich NVIDIA an dàta iar-thrèanaidh agus na h-àrainneachdan RL, tha aomaidhean a' mhodail so-sgrùdaichte gu prionnsapal seach beul-aithris. Agus air sgàth 's gu bheil OpenMDW-1.1 na cheadachas ceadach aig Linux Foundation a' còmhdach ailtireachd, paramadairean, sgrìobhainnean agus bathar-bog, 's urrainn do dh'obraiche neo-eisimeileach aoigheachd atharraichte, gun sìoltachan a fhrithealadh air a bhathar-cruaidh fhèin gun a bhith an ceadachas na chnap-starra. Cha leig mòran cheadachasan modail "fosgailte" sin le duine sam bith. Bidh am fear seo. Tha an diofar a' nochdadh far a bheil diùltadh fèin-obrachail na mheang seach na fheart sàbhailteachd:
- Rannsachadh tèarainteachd — mion-sgrùdadh so-leònaidh, reusanachadh brath, giùlan bathar-mhillteach, innealan sgioba-dhearg, gun a bhith a' connsachadh a bheil a' cheist ceadaichte.
- Ceimigeachd, bith-eòlas agus cungaidh-leigheis — matamataig dòs, uidheaman ath-bhualaidh, tocsaigeòlas, slighean synteis a dhiùltas oir-phuing sìoltaichte le beantainn facail-luirg.
- ML nàimhdeil — dùbhlain chruaidhe, corpasan jailbreak agus tacsonamaidhean droch-chleachdaidh airson seòrsaichearan a dh'fheumas am fìor rud fhaicinn.
- Teacsa clionaigeach, laghail agus forensaig — stuth cùise a tha grafaigeach a-mach à nàdar agus air a dhiùltadh dìreach air a shon sin.
Chan eil gun chaisgireachd na dh'aontachadh gun chunntachalachd. 'S ann agadsa a tha na nì thu, agus tha ar Poileasaidh Cleachdaidh Chunntachail agus na Teirmichean Seirbheis a' riaghladh a' chunntais. Bidh toirt air falbh sreath diùltaidh a' toirt air falbh tuairmse mu rùn; chan eil e a' toirt air falbh na dleastanasan a th' ort fon lagh a bhuineas dhut.
06STEM agus reusanachadh: dè a chanas na h-àireamhan foillsichte
Tha fòcas trèanaidh Nemotron air a bhith air matamataig, còd, saidheans agus leantainn stiùiridh o chionn 's gun deach seata-dàta iar-thrèanaidh Llama-Nemotron a thogail timcheall air dìreach na ceithir axesan sin. Na tha NVIDIA ag aithris airson bunait Nemotron 3 Ultra — àireamhan air an aithris leis an reiceadair air a' mhodail neo-theannaichte, nach do ruith sinne:
Tha dà chaveat as fhiach barrachd na na h-àireamhan fhèin. 'S e rainse a th' anns an àireimh SWE-Bench Verified — bidh NVIDIA ag aithris eadar 65.0% agus 70.4% a rèir dè an t-inneal-àidseant a ruitheas e (Pi, OpenHands, Hermes, OpenCode, Mini SWE Agent), agus tha sgapadh còig puingean o sgafall a-mhàin a' sealltainn dè cho mòr 's a tha sgòran àidseantach an urra ris an inneal seach am modail. Agus chuir Artificial Analysis Nemotron 3 Ultra aig 48 air an Innsginn Inntinn aca, 9mh à 89 modail — làidir, ach chan e mullach an raoin, agus 's e an tomhas neo-eisimeileach aca-san am fear air am bu chòir dhut cuideam a chur seach sleamhnag reiceadair sam bith.
Air a' ghinealach na bu tràithe, tha pàipear Llama-Nemotron aig NVIDIA ag aithris LN-Ultra aig 76.0% air GPQA-Diamond an aghaidh 71.5% DeepSeek-R1 agus 43.4% Llama-3.1-405B-Instruct, a bharrachd air 80.8% air AIME 2024 — modail eadar-dhealaichte, air a ghabhail a-steach oir tha saidheans ìre-ceumnaiche agus matamataig farpaiseach air a bhith nan targaid don teaghlach airson dà ghinealach.
Tha gach àireamh an seo air fhoillseachadh le cuideigin nach sinne. Sgrùd na prìomh thùsan thu fhèin.
Àireamhan deuchainn-choimeis mar a chaidh am foillseachadh le NVIDIA (An t-Ògmhios 2026) air Nemotron 3 Ultra neo-theannaichte, agus le Artificial Analysis airson tomhasan neo-eisimeileach. Dh'fhaoidte gum bi togailean teannaichte eadar-dhealaichte. Cha bhith sinn a' foillseachadh àireamhan deuchainn-choimeis nach do dhearbh sinn no nach urrainn dhuinn a thomhas.
07A' phrìs, agus an caveat mu fhaclachd
Aig $0.75 gach millean token a-steach agus $3.30 gach millean token a-mach, tha Nemotron3Ultra san treas earrann as ìsle den chatalog againn air ionchur agus sa mheadhan air toradh. Eisimpleirean obraichte, oir tha prìsean gach millean doirbh a mhothachadh:
| Cumadh gairm | Ionchur | Toradh | Cosgais |
|---|---|---|---|
| Cuairt RAG àbhaisteach | 50,000 | 4,000 | $0.051 |
| Anailis sgrìobhainn fhada | 150,000 | 8,000 | $0.139 |
| Gairm meud as motha | 262,144 | 16,384 | $0.251 |
Cosgaidh iarrtas làn-cho-theacsa, làn-toraidh — gach token a ghabhas an oir-phuing agus gach token a ghineas e — mu 25 sgillinn. Cosgaidh an aon chumadh air Kimi-K3-3BIT-REAP, am modail as daoire againn aig $3.83/$19.12, mu $1.32, no 5.3× a bharrachd.
A-nis an caveat, agus tha e fìor. Thomhais Artificial Analysis Nemotron 3 Ultra a' gineadh 2.3× barrachd tokenan toraidh na am meadhan-chudthrom co-aoiseach thar an t-seata deuchainn-choimeis aca. Bidh modailean reusanachaidh gad chosg airson na smaoineachaidh, agus bidh am fear seo a' smaoineachadh gu fada; falbhaidh buannachd prìs gach token na ana-cothrom gach obair ma bhios am modail a' reusanachadh trì tursan cho fada gus an aon fhreagairt a ruighinn. Tha an lasachadh air a thogail a-steach agus air a nochdadh air an API againn: chaidh Nemotron 3 iar-thrèanadh airson smachd buidseat reusanachaidh, agus tha taic aig reasoning_effort an seo — tha NVIDIA a' mìneachadh modh spàirn nas ìsle a' cleachdadh mòran nas lugha de thokenan smaoineachaidh airson co-mhalairt cruinneis singilte-figear. Air seòrsachadh, às-tharraing agus sgaoileadh, cuir sìos e agus atharraichidh an eaconamaidh gu susbainteach; air dearbhadh no ath-structaradh ioma-fhaidhle, cuir suas e agus pàigh air a shon a dh'aon ghnothach. Tomhais na tokenan agad fhèin gach obair seach a bhith a' leughadh liosta nam prìsean agus a' gabhail ris.
08Ga ghairm: trì dualchainntean, aon mhodail
Bidh gach modail air a' gheata a' freagairt air trì uachdaran API sruthaidh, agus mar sin 's urrainn dhut cliant a th' agad mu thràth a chur ris gun ath-sgrìobhadh do cho-fhilleadh: /v1/chat/completions (dualchainnt OpenAI), /v1/messages (dualchainnt Anthropic), agus /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": "Faigh a-mach giùlan tasgadain aig a' chùis as miosa airson an neid lùib seo."}
]
}'Geàrr-chunntas comais, ionnas nach cuir dad iongnadh ort aig àm co-fhilleadh:
| Comas | Nemotron3Ultra · 3BIT-REAP |
|---|---|
| Uinneag cho-theacsa | 262,144 token |
| Toradh as motha / iarrtas | 16,384 token |
| Sruthadh | Tha |
| Gairm-inneal | Tha |
| Lorgan reusanachaidh | Tha |
reasoning_effort | Tha |
json_schema (teann) | Tha |
response_format | Tha |
| Lèirsinn / ionchur deilbh | Chan eil — teacsa a-mhàin |
| Sreath diùltaidh | Chan eil gin |
'S e sreath na lèirsinn a ghlacas daoine: tha Nemotron3Ultra teacsa a-mhàin. Ma bhios am pìoban agad a' cur dhealbhan, cleachd MiniMax-M3-3BIT-REAP no MiMo-V2.5-W8A16 aig $0.50/$2.00, no Kimi-K2.6-W4A16-AUTOROUND-REAP aig $0.78/$3.67 — iad uile le lèirsinn, iad uile gun chaisgireachd, iad uile air an aon cho-theacsa 262,144-token. Tha iomradh slàn air paramadairean anns na sgrìobhainnean API.
09Càite am freagair Nemotron3Ultra am measg an dà-dheug
'S e dhà-dheug modail gun chaisgireachd a' co-roinneadh an aon uinneag cho-theacsa, na h-aon trì dualchainntean agus an aon dìth sreatha diùltaidh a th' anns a' chatalog; tha iad eadar-dhealaichte ann am bunait, prìs agus comas. Tha suidheachadh Nemotron sònraichte: each-obrach reusanachaidh sinnsireachd fosgailte — chan e am fear as saoire, chan e am fear as comasaiche, ach am fear leis an tràil-phàipeir phoblaich as motha air a chùlaibh, air a ghleusadh as cruaidhe a dh'ionnsaigh STEM agus àidseantan.
| Modail | A-steach / 1M | A-mach / 1M | Lèirsinn | Tagh e airson |
|---|---|---|---|---|
| MiniMax-M3 · 3BIT-REAP | $0.50 | $2.00 | Tha | An roghainn lèirsinn as saoire |
| MiMo-V2.5-Pro · W8A16 | $0.50 | $2.00 | Chan eil | An ìre cuantachaidh dìlseachd as àirde |
| GLM-5.2 · 3BIT-REAP | $0.73 | $2.34 | Chan eil | An reusanachadh bunait-mòr as saoire |
| Nemotron3Ultra · 3BIT-REAP | $0.75 | $3.30 | Chan eil | STEM, àidseantan, sinnsireachd fhosgailte |
| Kimi-K2.6 · W4A16-AUTOROUND-REAP | $0.78 | $3.67 | Tha | Lèirsinn + dìlseachd AutoRound |
| DeepSeek-V4-Pro · 3BIT-REAP | $1.95 | $3.90 | Chan eil | Anailis dhomhainn aon-shot |
| Kimi-K3 · 3BIT-REAP | $3.83 | $19.12 | Tha | Mullach comais iomlan |
Seachdnar de dhà-dheug air an sealltainn. Tha an catalog slàn — a' gabhail a-steach Laguna-S-2.1, inkling, DeepSeek-V4-Flash, MiMo-V2.5 agus Hy3 — anns na sgrìobhainnean API. Thoir an aire nach eil taic aig Laguna-S-2.1 do thoradh structarach agus nach eil taic aig inkling do json_schema; tha taic aig Nemotron3Ultra dhaibh le chèile.
'S e GLM-5.2-3BIT-REAP aig $0.73/$2.34 an nàbaidh as fhaisge a rèir prìse, agus seo an coimeas onarach: tha GLM-5.2 nas saoire gach token, gu sònraichte air toradh. Bheir Nemotron seata-dàta trèanaidh foillsichte, cuairteag buidseat-reusanachaidh follaiseach, agus eachdraidh teaghlaich ag amas air saidheans ìre-ceumnaiche. Reusanachadh coitcheann àrd-thomhas: ruith am fear as saoire. Trom air STEM, àidseantach, no fo sgrùdadh a dh'fhaighnicheas cò às a thàinig giùlan a' mhodail: cosnaidh Nemotron an diofar.
10Ceistean cumanta
Dè th' ann an API Nemotron gun chaisgireachd?
'S e oir-phuing aoigheachd Shannon AI airson Nemotron3Ultra 3BIT-REAP a th' ann, togail teannaichte de Nemotron 3 Ultra fosgailte aig NVIDIA. Bidh e a' ruith air a' chruinneachadh GPU againn fhìn gun sreath diùltaidh agus gun sìoladh toraidh, a' nochdadh co-theacsa de 262,144 token agus 16,384 token toraidh gach iarrtas, agus a' cosg $0.75 gach millean token a-steach agus $3.30 gach millean token a-mach.
A bheil Nemotron NVIDIA fìor gun chuideaman fosgailte?
Tha. Dh'fhoillsich NVIDIA Nemotron 3 Ultra air 4 Ògmhios 2026 le cuideaman, dàta trèanaidh agus reasabaidhean fo cheadachas ceadach OpenMDW-1.1 aig Linux Foundation, a' leantainn Nemotron-4 340B agus teaghlach Llama-Nemotron. 'S e an fhosgarrachd sin as coireach gu bheil aoigheachd neo-eisimeileach, gun sìoltachan, comasach.
Dè tha 3BIT-REAP a' ciallachadh?
Dà cheum teannachaidh. Bidh REAP — Router-weighted Expert Activation Pruning, o Cerebras Research agus air gabhail ri ICLR 2026 — a' toirt sgòr do gach eòlaiche Mixture-of-Experts a rèir cho làidir 's a bheir an rianadair geata dha agus cho mòr 's a tha a thabhartas toraidh, an uair sin a' toirt air falbh na feadhainn as lugha follaiseachd gu buan. Thèid an fheadhainn a mhaireas a chuantachadh gu cuideaman 3-bit, agus mar sin thèid am buidseat bit a chosg air eòlaichean a tha dha-rìribh a' giùlan trafaic.
A bheil taic aig Nemotron3Ultra do lèirsinn no toradh sgeama JSON?
Chan eil dealbhan: tha an oir-phuing seo teacsa a-mhàin. Tha taic aige do thoradh structarach teann — an dà chuid json_schema agus response_format — a bharrachd air gairm-inneal, sruthadh, lorgan reusanachaidh agus reasoning_effort. Airson dealbhan air modail gun chaisgireachd, cleachd MiniMax-M3, Kimi-K2.6, Kimi-K3, MiMo-V2.5 no inkling na àite.
Carson a tha an co-theacsa 262,144 token nuair a shanasaicheas NVIDIA 1M?
Tha ailtireachd Nemotron 3 ag amas air uinneag 1M-token agus tha NVIDIA ag aithris 94.7% air RULER aig an fhad sin. Bidh an cur-a-mach againn a' frithealadh 262,144 token, an uinneag air a bheil sinn a' cumail làn astair thairis air a' chatalog gu lèir. Bidh gach modail air a' gheata a' nochdadh an aon cho-theacsa, agus mar sin 's urrainn dhut aithnichean modail a mhalairteachadh gun ath-sgrìobhadh do sheòrsachadh sgaoilidh.
A bheil Nemotron math airson matamataig, saidheans agus còd?
'S e STEM agus reusanachadh am fòcas foillsichte aig an teaghlach. Bidh NVIDIA ag aithris 90% air PinchBench, 65.0-70.4% air SWE-Bench Verified thairis air còig innealan-àidseant agus 56.4% air Terminal-Bench 2.1 airson Nemotron 3 Ultra; dh'aithris an Llama-Nemotron Ultra na bu tràithe 76.0% air GPQA-Diamond an aghaidh 71.5% DeepSeek-R1. Tha iad uile air an aithris leis an reiceadair air a' bhunait neo-theannaichte.
Gairm an API Nemotron gun chaisgireachd
Co-theacsa 262K, gairm-inneal, sgeama JSON teann, gun sreath diùltaidh — $0.75 a-steach / $3.30 a-mach gach 1M token.
Leugh Sgrìobhainnean an API A h-uile Cairt MhodailShannon Lab LLC · New Mexico, na SA · cleachdadh fo riaghladh ar Poileasaidh Cleachdaidh Chunntachail
Tùsan: aithisg theignigeach Nemotron 3 Ultra aig NVIDIA · blog leasachaiche NVIDIA (An t-Ògmhios 2026) · notaichean ailtireachd Nemotron 3 Super · Llama-Nemotron: Efficient Reasoning Models · Cerebras Research, REAP. Tha deuchainnean-coimeis bunaiteach air an aithris le NVIDIA air a' mhodail neo-theannaichte mura h-eil iad air an comharrachadh gu Artificial Analysis; dh'fhaoidte gum bi togailean teannaichte eadar-dhealaichte. Tha prìsean agus comasan mar a bha 5 Sultain 2026.