Nemotron API bez cenzure

Većina „otvorenih” modela otvorena je samo po težinama i ničemu drugom — arhiva parametara, licenca i muk o tome odakle su brojke došle. Nemotron je dvije godine dosljedna iznimka: NVIDIA isporučuje težine, skupove podataka za naknadno treniranje, RL okruženja i recept. To za krajnju točku bez cenzure znači više nego što se na prvi pogled čini. Model čiji su podaci za usklađivanje objavljeni jest model o čijem ponašanju odbijanja možete zaključivati umjesto da nagađate — i model koji treća strana može legitimno posluživati bez filtra sadržaja prilijepljenog na usta.

01Što je Nemotron 3 Ultra?

Nemotron 3 Ultra najveći je član NVIDIA-ine obitelji Nemotron 3, objavljen na Hugging Faceu 4. lipnja 2026. NVIDIA-in ga tehnički izvještaj opisuje kao „hibridni Mamba-Attention jezični model tipa Mixture-of-Experts s ukupno 550 milijardi i 55 milijardi aktivnih parametara” — na bilo kojem tokenu radi otprilike 10 % mreže, što uopće i čini model od pola bilijuna parametara mogućim za posluživanje.

Prijavljeni raspored je 108 slojeva pri dimenziji modela 8.192, s Mamba-2 slojevima prostora stanja isprepletenima s rijetkim skupom slojeva pune pažnje, uz 512 stručnjaka po MoE sloju i top-22 usmjeravanje. Predtreniranje je teklo na otprilike 20 bilijuna tekstualnih tokena u dvije faze — najprije s naglaskom na raznolikost, zatim na kvalitetu — s presjekom u rujnu 2025., na 12 prirodnih i 43 programska jezika. Naknadno treniranje koristilo je SFT, RL u više okruženja s provjerljivim nagradama i Multi-Teacher On-Policy Distillation preko više od deset specijaliziranih učitelja. Navedeni cilj dizajna su dugotrajni agenti: sesije koje drže velik kontekst, desetke puta pozivaju alate i traju dovoljno dugo da ekonomija po tokenu zavlada računom.

02Loza Nemotrona i zašto je podrijetlo važno

Nemotron nije jednokratan. On je vidljivi izlaz NVIDIA-ina istraživačkog programa koji od 2024. ide u istom smjeru, a svaka je generacija ostavila nešto što aktualni model još nosi. Nemotron-4 340B (lipanj 2024.) došao je s otvorenim proizvodnim lancem za sintetičke podatke, svojim modelom nagrade i svojim generatorom, uz neuobičajeno otkriće: velika je većina njegovih podataka za usklađivanje bila strojno generirana. Model kao tvornica podataka, a ne kao proročište — zato kasnija izdanja Nemotrona uz težine i dalje isporučuju skupove podataka.

Llama-Nemotron — promišljanje koje možete isključiti

Obitelj Llama-Nemotron iz 2025. (LN-Nano 8B, LN-Super 49B, LN-Ultra 253B) doprinijela je dvjema idejama koje su dobro ostarjele. Prva je arhitektonska: NVIDIA-in Puzzle, pretraga neuronskih arhitektura, izgradio je knjižnicu transformerskih blokova destiliranih blok po blok i sastavio ih mješovito-cjelobrojnim programiranjem, dajući modele u kojima neki blokovi pažnju posve preskaču ili je zamjenjuju jednim linearnim slojem, dok je FFN Fusion uzastopne unaprijedne blokove sažeo u manje, širih i paralelnih — režući sekvencijalnu dubinu, a ne broj parametara. LN-Ultra stao je na jedan čvor s 8×H100, a prema NVIDIA-inu radu nadmašio je DeepSeek-R1 na GPQA-Diamondu (76,0 % naspram 71,5 %).

Druga je ideja bila bihevioralna: Llama-Nemotron bila je prva otvorena obitelj s dinamičkom sklopkom promišljanja, koja je podatke za treniranje označavala s detailed thinking on ili detailed thinking off u sistemskoj uputi, uz formatne nagrade koje su u uključenom načinu iznuđivale oznake <think>. Jedan skup težina, dva ponašanja, birana u trenutku zaključivanja. Upravljanje proračunom promišljanja u Nemotronu 3 — i parametar reasoning_effort na našem API-ju — izravni su potomci tog rada.

Nemotron 3 — hibridni zaokret

Nemotron 3 zamijenio je izvedbu iz Llame hibridnom arhitekturom pisanom od nule i dodao LatentMoE (komprimiranje tokena prije usmjeravanja, što prema NVIDIA-i omogućuje „četiri puta više stručnjaka uz isti trošak zaključivanja”), predviđanje više tokena i izvorno predtreniranje u NVFP4. NVIDIA je uz težine objavila kumulativno 50 milijuna SFT uzoraka, 2 milijuna RL zadataka i 55 RL okruženja — ne morate proizvođaču vjerovati na riječ o tome što je model učio, jer je nastavno gradivo dostupno za preuzimanje.

03Što vam donosi hibridna arhitektura

KV predmemorija transformera raste linearno s duljinom niza, zbog čega zaključivanje na dugom kontekstu poskupljuje u memoriji prije nego u računu. Mamba-2 slojevi su modeli prostora stanja koji nose rekurentno stanje fiksne veličine, pa im memorijski trošak po tokenu ne raste s poviješću; ono u čemu su loši jest precizan asocijativni dohvat. Hibrid zadržava Mamba-2 za najveći dio obrade niza uz manjinu pravih slojeva pažnje za dohvat koji slojevi prostora stanja fušaju, a omjer od 64 glave upita naspram 2 KV glave predmemoriju dodatno smanjuje. NVIDIA izvještava o 94,7 % na RULER-u pri milijun tokena — mjerilu traženja igle u plastu sijena sastavljenom baš zato da uhvati modele koji tvrde da imaju prozor kojim se ne mogu služiti.

Posljedica je propusnost: NVIDIA tvrdi do otprilike 6 puta veću propusnost zaključivanja od usporedivih modela pri jednakoj točnosti, a Artificial Analysis neovisno je izmjerio 140,3 tokena u sekundi uz 1,33 sekunde do prvog tokena — 7. mjesto od 89 modela. Na agentskom izvođenju od 200 poteza to je razlika između završetka u jednom popodnevu i nezavršavanja.

04Što „3BIT-REAP” znači, iskreno

Sufiks nije ukras — govori vam točno što je s temeljem učinjeno da bi stao.

REAP — Router-weighted Expert Activation Pruning — dolazi iz Cerebras Researcha i prihvaćen je na ICLR 2026. U rijetkom MoE-u usmjerivač svaki token šalje šačici stručnjaka; na stvarnom se opterećenju neki pogađaju neprestano, a drugi gotovo nikad. REAP ocjenjuje svakog stručnjaka po kriteriju istaknutosti koji spaja koliko ga snažno usmjerivač propušta i koliko su veliki njegovi doprinosi izlazu, a zatim najmanje istaknute izravno uklanja — Cerebras izvještava o obrezivanju do 50 % stručnjaka na modelima velikima i do bilijun parametara uz uglavnom očuvanu polaznu kvalitetu i nalazi da za generativne zadatke poput koda obrezivanje pobjeđuje spajanje. 3-bitna kvantizacija zatim komprimira ono što je preživjelo. Prvo obrezivanje, pa kvantizacija, da bitni proračun ode stručnjacima koji nose promet umjesto da se razmaže po mrtvima.

Kompresija nije besplatna i nećemo se pretvarati da jest: agresivna se kvantizacija prvo očituje kao sitna nazadovanja u pridržavanju točnog formata i u dugolančanoj aritmetici, a ne kao vidljiva nesuvislost. Gdje padaju tri razine:

Sufiks	Što je to	Gdje ga koristimo
3BIT-REAP	3-bitne težine + obrezivanje stručnjaka	Najveći temelji, gdje ništa drugo ne stane uz zadržanu brzinu
W4A16-AUTOROUND-REAP	4-bitne težine / 16-bitne aktivacije, AutoRoundovo naučeno zaokruživanje + obrezivanje	Temelji srednje veličine; AutoRound vraća točnost u odnosu na naivno zaokruživanje na najbliže
W8A16	8-bitne težine / 16-bitne aktivacije	Najveća vjernost; temelji dovoljno mali da im agresivna kompresija ne treba

Nemotron 3 Ultra sa svojih 550 milijardi jasno pripada prvoj kategoriji. Ako je vaše opterećenje neobično osjetljivo na točan brojčani izlaz kroz duge lance, istraživački indeks navodi razinu W8A16 — MiMo-V2.5-Pro-W8A16 i Hy3-W8A16 — na donjoj granici od 0,50 $ / 2,00 $. Stvarna zamjena, a ne lijevak: manji model, manje kompresije.

05Što „bez cenzure” znači na ovoj krajnjoj točki

Konkretno: nema sloja odbijanja niti se na izlaz primjenjuje filtriranje sadržaja. Nijedan klasifikator ne pregledava vaš prompt i ne vraća konzerviranu odbijenicu, a odgovor se ne skenira prije nego što stigne u vaš tok. Ono što dobivate vlastito je ponašanje modela.

Ovdje otvorena loza prestaje biti zanimljivost. Budući da je NVIDIA objavila podatke za naknadno treniranje i RL okruženja, sklonosti modela načelno su provjerljive umjesto da ostanu predaja. A budući da je OpenMDW-1.1 permisivna licenca Linux Foundationa koja pokriva arhitekturu, parametre, dokumentaciju i softver, neovisan operater može na vlastitom hardveru posluživati izmijenjenu, nefiltriranu izvedbu, a da licenca ne bude prepreka. Mnoge licence „otvorenih” modela to ne dopuštaju. Ova dopušta. Razlika se vidi ondje gdje je refleksno odbijanje kvar, a ne sigurnosna značajka:

• Sigurnosno istraživanje — analiza ranjivosti, zaključivanje o eksploatima, ponašanje zlonamjernog koda, alati za crveni tim, bez rasprave o tome je li pitanje dopušteno.
• Kemija, biologija i farmakologija — računanje doza, mehanizmi reakcija, toksikologija, sintetski putovi koje filtrirana krajnja točka odbija na dodir s ključnom riječi.
• Suparničko strojno učenje — teški negativni primjeri, korpusi jailbreakova i taksonomije zlouporabe za klasifikatore koji moraju vidjeti pravu stvar.
• Klinički, pravni i forenzički tekst — materijal iz predmeta koji je po naravi grafičan i biva odbijen baš zbog toga.

Bez cenzure ne znači bez odgovornosti. Vlasnik ste onoga što generirate, a račun je uređen našim Pravilima odgovorne uporabe i Uvjetima pružanja usluge. Uklanjanje sloja odbijanja uklanja nagađanje o namjeri; ne uklanja vaše obveze prema zakonu koji se na vas primjenjuje.

06STEM i promišljanje: što kažu objavljene brojke

Nemotronov je fokus treniranja matematika, kod, znanost i praćenje uputa otkako je skup podataka za naknadno treniranje Llama-Nemotrona izgrađen upravo oko te četiri osi. Ono što NVIDIA izvještava za temelj Nemotron 3 Ultra — proizvođačeve brojke na nekomprimiranom modelu, koje mi nismo mjerili:

Dvije ograde vrijede više od brojki. Rezultat na SWE-Benchu Verified jest raspon — NVIDIA izvještava od 65,0 % do 70,4 % ovisno o tome koji ga agentski okvir pokreće (Pi, OpenHands, Hermes, OpenCode, Mini SWE Agent), a rasap od pet bodova samo zbog skele pokazuje koliko agentski rezultati ovise o okviru, a ne o modelu. Artificial Analysis smjestio je Nemotron 3 Ultra na 48 na svojem Intelligence Indexu, 9. mjesto od 89 modela — jako, ali ne vrh polja, a njihovo bismo neovisno mjerenje pretegnuli nad bilo čijim proizvođačkim slajdom.

Za raniju generaciju NVIDIA-in rad o Llama-Nemotronu navodi LN-Ultru na 76,0 % na GPQA-Diamondu naspram 71,5 % DeepSeeka-R1 i 43,4 % Llame-3.1-405B-Instruct, uz 80,8 % na AIME 2024 — drugi model, uključen zato što su znanost na razini poslijediplomskog studija i natjecateljska matematika dvije generacije meta ove obitelji.

Brojke s mjerila kako ih je objavila NVIDIA (lipanj 2026.) na nekomprimiranom Nemotronu 3 Ultra te Artificial Analysis za neovisna mjerenja. Komprimirane se izvedbe mogu razlikovati. Ne objavljujemo brojke s mjerila koje nismo provjerili ili ne možemo pripisati izvoru.

07Cijena i ograda o opširnosti

Uz 0,75 $ po milijunu ulaznih i 3,30 $ po milijunu izlaznih tokena, Nemotron3Ultra sjedi u donjoj trećini naše postave po ulazu i u sredini po izlazu. Razrađeni primjeri, jer se cijena po milijunu teško osjeti:

Oblik poziva	Ulaz	Izlaz	Trošak
Tipičan RAG potez	50,000	4,000	$0.051
Analiza dugog dokumenta	150,000	8,000	$0.139
Poziv najveće veličine	262,144	16,384	$0.251

Zahtjev s punim kontekstom i punim izlazom — svaki token koji će krajnja točka primiti i svaki koji će proizvesti — stoji otprilike 25 centi. Isti oblik na Kimi-K3-3BIT-REAP, našem najskupljem modelu uz 3,83 $ / 19,12 $, stoji oko 1,32 $, odnosno 5,3 puta više.

Sada ograda, i stvarna je. Artificial Analysis izmjerio je da Nemotron 3 Ultra kroz njihov skup mjerila generira 2,3 puta više izlaznih tokena od medijana usporedivih modela. Modeli za promišljanje naplaćuju vam razmišljanje, a ovaj razmišlja naširoko; prednost u cijeni po tokenu ispari u nedostatak po zadatku ako model promišlja tri puta dulje da bi došao do istog odgovora. Ublažavanje je ugrađeno i izloženo na našem API-ju: Nemotron 3 naknadno je treniran za upravljanje proračunom promišljanja, a reasoning_effort je ovdje podržan — NVIDIA opisuje način rada s manjim naporom koji troši bitno manje tokena razmišljanja uz jednoznamenkasti gubitak točnosti. Na klasifikaciji, izlučivanju i usmjeravanju spustite ga i ekonomija se bitno mijenja; na dokazu ili preinaci preko više datoteka podignite ga i platite to svjesno. Mjerite vlastite tokene po zadatku umjesto da čitate cjenik i pretpostavljate.

08Kako ga pozvati: tri dijalekta, jedan model

Svaki model na pristupniku odgovara na tri API površine sa streamingom, pa postojećeg klijenta možete usmjeriti na njega bez prepisivanja integracije: /v1/chat/completions (OpenAI dijalekt), /v1/messages (Anthropicov dijalekt) i /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."}
    ]
  }'

Sažetak mogućnosti, da vas pri integraciji ništa ne iznenadi:

Mogućnost	Nemotron3Ultra · 3BIT-REAP
Kontekstni prozor	262.144 tokena
Najveći izlaz / zahtjev	16.384 tokena
Streaming	Da
Pozivanje alata	Da
Tragovi promišljanja	Da
reasoning_effort	Da
json_schema (strogo)	Da
response_format	Da
Vid / slikovni ulaz	Ne — samo tekst
Sloj odbijanja	Nema

Redak o vidu ljude iznenadi: Nemotron3Ultra je samo tekstualan. Ako vaš proizvodni lanac šalje slike, koristite MiniMax-M3-3BIT-REAP ili MiMo-V2.5-W8A16 uz 0,50 $ / 2,00 $, odnosno Kimi-K2.6-W4A16-AUTOROUND-REAP uz 0,78 $ / 3,67 $ — svi vide, svi su bez cenzure, svi na istom kontekstu od 262.144 tokena. Potpuni popis parametara nalazi se u dokumentaciji API-ja.

09Gdje Nemotron3Ultra stoji među dvanaest

Postava je dvanaest modela bez cenzure koji dijele isti kontekstni prozor, ista tri dijalekta i isto nepostojanje sloja odbijanja; razlikuju se po temelju, cijeni i mogućnostima. Nemotronovo je mjesto određeno: radni konj za promišljanje otvorenog podrijetla — nije najjeftiniji ni najsposobniji, ali iza njegova ponašanja stoji najviše javnog papirnatog traga, a ugođen je najjače prema STEM-u i agentima.

Model	Ulaz / 1M	Izlaz / 1M	Vid	Birajte ga za
MiniMax-M3 · 3BIT-REAP	$0.50	$2.00	Da	Najjeftinija opcija s vidom
MiMo-V2.5-Pro · W8A16	$0.50	$2.00	Ne	Razina kvantizacije najveće vjernosti
GLM-5.2 · 3BIT-REAP	$0.73	$2.34	Ne	Najjeftinije promišljanje na velikom temelju
Nemotron3Ultra · 3BIT-REAP	$0.75	$3.30	Ne	STEM, agenti, otvoreno podrijetlo
Kimi-K2.6 · W4A16-AUTOROUND-REAP	$0.78	$3.67	Da	Vid + AutoRoundova vjernost
DeepSeek-V4-Pro · 3BIT-REAP	$1.95	$3.90	Ne	Duboka analiza iz jednog poteza
Kimi-K3 · 3BIT-REAP	$3.83	$19.12	Da	Apsolutni strop sposobnosti

Prikazano je sedam od dvanaest. Potpuna postava — uključujući Laguna-S-2.1, inkling, DeepSeek-V4-Flash, MiMo-V2.5 i Hy3 — nalazi se u dokumentaciji API-ja. Imajte na umu da Laguna-S-2.1 ne podržava strukturirani izlaz, a inkling ne podržava json_schema; Nemotron3Ultra podržava oboje.

Najbliži susjed po cijeni je GLM-5.2-3BIT-REAP uz 0,73 $ / 2,34 $, a poštena je usporedba ovakva: GLM-5.2 jeftiniji je po tokenu, osobito na izlazu. Nemotron donosi objavljen korpus za treniranje, izričit regulator proračuna promišljanja i obiteljsku povijest usmjerenu na znanost razine poslijediplomskog studija. Za opće promišljanje u velikom obujmu: pokrenite jeftinijeg. Za posao težak STEM-om, agentski ili podložan reviziji koja pita odakle je modelovo ponašanje došlo: Nemotron zaslužuje razliku.

10Često postavljana pitanja

---

Izvori: Tehnički izvještaj o NVIDIA Nemotronu 3 Ultra · NVIDIA-in blog za razvojne inženjere (lipanj 2026.) · Arhitektonske bilješke o Nemotronu 3 Super · Llama-Nemotron: Efficient Reasoning Models · Cerebras Research, REAP. Brojke s mjerila za temelj prijavila je NVIDIA na nekomprimiranom modelu, osim gdje su pripisane Artificial Analysisu; komprimirane se izvedbe mogu razlikovati. Cijene i mogućnosti vrijede na dan 5. rujna 2026.