Óritskoðað Nemotron API

Flest „opin“ líkön eru opnar þyngdir og ekkert annað — tarball af færibreytum, leyfi og þögn um það hvaðan tölurnar komu. Nemotron hefur verið samkvæm undantekning í tvö ár: NVIDIA sendir frá sér þyngdirnar, eftirþjálfunargagnasöfnin, styrkingarnámsumhverfin og uppskriftina. Það skiptir máli fyrir óritskoðaðan endapunkt á hátt sem auðvelt er að missa af. Líkan sem hefur birt samstillingargögnin sín er líkan þar sem þú getur rökrætt neitunarhegðunina í stað þess að giska á hana — og líkan sem þriðji aðili má með réttu keyra án efnissíu skrúfaðrar á munninn á því.

01Hvað er Nemotron 3 Ultra?

Nemotron 3 Ultra er stærsti meðlimur Nemotron 3 fjölskyldu NVIDIA, gefinn út á Hugging Face 4. júní 2026. Tækniskýrsla NVIDIA lýsir því sem „Mixture-of-Experts blönduðu Mamba-Attention mállíkani með 550 milljörðum færibreyta alls og 55 milljörðum virkum“ — gróflega 10% netsins vinna við hvert tákn, og það er ástæðan fyrir því að hægt er að þjóna líkani með hálfri billjón færibreyta yfirhöfuð.

Birta sniðið er 108 lög með líkanavídd 8.192, þar sem Mamba-2 ástandsrúmslög eru fléttuð saman við strjált mengi fullra athyglislaga, 512 sérfræðingar á hvert MoE-lag með top-22 beiningu. Forþjálfun keyrði á gróflega 20 billjónum textatákna í tveimur áföngum — fyrst hallað að fjölbreytni, svo að gæðum — með lokadagsetningu í september 2025, 12 náttúrulegum tungumálum og 43 forritunarmálum. Eftirþjálfun notaði SFT, styrkingarnám í mörgum umhverfum með sannreynanlegum umbunum, og Multi-Teacher On-Policy Distillation yfir meira en tíu sérhæfða kennara. Yfirlýst hönnunarmarkmið eru gerendur sem keyra lengi: lotur sem halda stóru samhengi, kalla á verkfæri tugum sinnum og keyra nógu lengi til að hagfræðin á hvert tákn ráði reikningnum.

02Nemotron-ættin, og hvers vegna ættartalan skiptir máli

Nemotron er ekki einstakt tilvik. Það er sýnileg afurð rannsóknaráætlunar NVIDIA sem hefur legið í sömu átt síðan 2024, og hver kynslóð skildi eftir sig eitthvað sem núverandi líkan ber enn. Nemotron-4 340B (júní 2024) kom með opinni gagnaframleiðslulínu fyrir gervigögn, umbunarlíkani sínu og framleiðanda sínum, auk óvenjulegrar upplýsingagjafar: yfirgnæfandi meirihluti samstillingargagnanna var framleiddur af líkani. Líkanið sem gagnaverksmiðja frekar en véfrétt er ástæðan fyrir því að síðari Nemotron-útgáfur halda áfram að senda gagnasöfn með þyngdunum.

Llama-Nemotron — rökhugsun sem hægt er að slökkva á

Llama-Nemotron fjölskyldan frá 2025 (LN-Nano 8B, LN-Super 49B, LN-Ultra 253B) lagði til tvær hugmyndir sem hafa elst vel. Sú fyrri var byggingarleg: Puzzle leit NVIDIA að tauganetsbyggingu bjó til safn af blokkum sem eimaðar voru blokk fyrir blokk og setti þær saman með blandaðri heiltölubestun, sem gaf líkön þar sem sumar blokkir sleppa athygli alveg eða skipta henni út fyrir eitt línulegt lag, á meðan FFN Fusion felldi samliggjandi framvirkar blokkir saman í færri, breiðari og samsíða blokkir — sem styttir raðdýpt frekar en færibreytufjölda. LN-Ultra komst fyrir á einum 8×H100 hnút og skaraði um leið, samkvæmt grein NVIDIA, fram úr DeepSeek-R1 á GPQA-Diamond (76,0% á móti 71,5%).

Sú síðari var hegðunarleg: Llama-Nemotron var fyrsta opna fjölskyldan með breytilegum rökhugsunarrofa, þar sem þjálfunargögn voru merkt detailed thinking on eða detailed thinking off í kerfisfyrirmælunum, með sniðumbunum sem knúðu fram <think> merki í kveiktu stillingunni. Eitt sett af þyngdum, tvær hegðanir, valdar við ályktun. Stýring á rökhugsunarheimild í Nemotron 3 — og reasoning_effort færibreytan á API-inu okkar — er beinn afkomandi þeirrar vinnu.

Nemotron 3 — beygjan yfir í blandað byggingarlag

Nemotron 3 skipti Llama-afleiðslunni út fyrir blandað byggingarlag byggt frá grunni og bætti við LatentMoE (sem þjappar tákn fyrir beiningu, sem NVIDIA segir leyfa „fjórfalt fleiri sérfræðinga fyrir sama ályktunarkostnað“), fjöltáknaspá og innbyggðri NVFP4 forþjálfun. NVIDIA birti samtals 50 milljónir SFT-sýna, 2 milljónir styrkingarnámsverkefna og 55 styrkingarnámsumhverfi ásamt þyngdunum — þú þarft ekki að taka orð framleiðanda fyrir því hvað líkaninu var kennt, því kennsluefnið er niðurhalanlegt.

03Hvað blandaða byggingarlagið kaupir þér

KV-skyndiminni transformer-líkans vex línulega með lengd runu, og þess vegna verður ályktun með löngu samhengi dýr í minni áður en hún verður dýr í reikningi. Mamba-2 lög eru ástandsrúmslíkön sem bera ástand af fastri stærð, svo minniskostnaður þeirra á hvert tákn vex ekki með sögunni; það sem þau eru slæm í er nákvæm tengsla-upprifjun. Blandan heldur Mamba-2 fyrir meginhluta runuvinnslunnar auk minnihluta af raunverulegum athyglislögum fyrir þá upprifjun sem ástandsrúmslögin fumla með, og hlutfallið 64 fyrirspurnahausar á móti 2 KV-hausum minnkar skyndiminnið enn frekar. NVIDIA greinir frá 94,7% á RULER við 1M tákn — nálarleitarviðmiði sem smíðað var til að grípa líkön sem auglýsa glugga sem þau geta ekki notað.

Afleiðingin er afköst: NVIDIA fullyrðir allt að gróflega 6× meiri ályktunarafköst en sambærileg líkön við sambærilega nákvæmni, og Artificial Analysis mældi sjálfstætt 140,3 tákn á sekúndu með 1,33 sekúndna tíma að fyrsta tákni — í sjöunda sæti af 89 líkönum. Í 200 umferða gerendakeyrslu er það munurinn á því að klára síðdegis og að klára ekki.

04Hvað „3BIT-REAP“ þýðir, heiðarlega sagt

Viðskeytið er ekki skraut — það segir þér nákvæmlega hvað var gert við grunnlíkanið til að það kæmist fyrir.

REAP — Router-weighted Expert Activation Pruning — kemur frá Cerebras Research og var samþykkt á ICLR 2026. Í strjálu MoE sendir beinirinn hvert tákn til handfylli sérfræðinga; yfir raunverulegt vinnuálag er stöðugt kallað á suma og næstum aldrei á aðra. REAP gefur hverjum sérfræðingi einkunn eftir mikilvægisviðmiði sem sameinar hversu sterkt beinirinn hleypir honum að og hversu stór framlög hans til úttaksins eru, og fjarlægir svo þá ómerkilegustu alveg — Cerebras greinir frá því að hafa grisjað allt að 50% sérfræðinga úr líkönum allt að 1 billjón færibreyta og haldið að mestu grunngæðum, og kemst að því að fyrir framleiðsluverk eins og kóða sé grisjun betri en samruni. 3 bita þjöppun þjappar svo því sem lifir af. Grisja fyrst, þjappa svo, þannig að bitarnir fari til sérfræðinga sem bera umferð í stað þess að vera smurðir yfir dauða sérfræðinga.

Þjöppun er ekki ókeypis og við ætlum ekki að láta annað í veðri vaka: harkaleg þjöppun birtist fyrst sem lítilsháttar hnignun í því að fylgja nákvæmu sniði og í löngum reikningskeðjum, ekki sem sýnileg samhengisleysa. Hvar þrepin þrjú lenda:

Viðskeyti	Hvað það er	Hvar við notum það
3BIT-REAP	3 bita þyngdir + grisjun sérfræðinga	Stærstu grunnlíkönin, þar sem ekkert annað kemst fyrir á hraða
W4A16-AUTOROUND-REAP	4 bita þyngdir / 16 bita virkjanir, lærð AutoRound-námundun, + grisjun	Miðlungsstór grunnlíkön; AutoRound endurheimtir nákvæmni umfram einfalda námundun að næsta gildi
W8A16	8 bita þyngdir / 16 bita virkjanir	Mesta trúmennska; grunnlíkön nógu lítil til að þurfa ekki harkalega þjöppun

Nemotron 3 Ultra með 550B er beint í fyrsta flokknum. Ef vinnuálagið þitt er óvenju viðkvæmt fyrir nákvæmu talnaúttaki yfir langar keðjur telur rannsóknaryfirlitið upp W8A16 þrepið — MiMo-V2.5-Pro-W8A16 og Hy3-W8A16 — á $0.50/$2.00 gólfinu. Raunveruleg skipti, ekki trekt: minna líkan, minni þjöppun.

05Hvað „óritskoðað“ þýðir á þessum endapunkti

Í raun: það er ekkert neitunarlag og engin efnissíun beitt á úttak. Enginn flokkari skoðar fyrirmælin þín og skilar niðursoðinni synjun, og svarið er ekki skimað áður en það nær streyminu þínu. Það sem þú færð er hegðun líkansins sjálfs.

Hér hættir opna ættin að vera aukaatriði. Vegna þess að NVIDIA birti eftirþjálfunargögnin og styrkingarnámsumhverfin er í grundvallaratriðum hægt að endurskoða tilhneigingar líkansins í stað þess að þær séu þjóðsaga. Og vegna þess að OpenMDW-1.1 er frjálslynt Linux Foundation leyfi sem nær yfir byggingarlag, færibreytur, skjölun og hugbúnað, getur sjálfstæður rekstraraðili þjónað breyttri, ósíaðri uppsetningu á eigin vélbúnaði án þess að leyfið sé hindrunin. Mörg „opin“ líkanaleyfi heimila það ekki. Þetta gerir það. Munurinn kemur fram þar sem sjálfvirk neitun er villa, ekki öryggiseiginleiki:

• Öryggisrannsóknir — veikleikagreining, rökhugsun um misnotkunarkóða, hegðun spilliforrita, verkfæri fyrir rauð teymi, án þess að þrátta um hvort spurningin sé leyfileg.
• Efnafræði, líffræði og lyfjafræði — skammtareikningar, hvarfgangar, eiturefnafræði, myndunarleiðir sem síaður endapunktur hafnar við snertingu við lykilorð.
• Andstæð vélþjálfun — erfið neikvæð dæmi, safn af hjáleiðum og flokkunarkerfi fyrir misnotkun, ætluð flokkurum sem þurfa að hafa séð raunveruleikann.
• Klínískur, lagalegur og réttarfræðilegur texti — málsgögn sem eru grafísk í eðli sínu og er hafnað einmitt af þeirri ástæðu.

Óritskoðað þýðir ekki ábyrgðarlaust. Þú átt það sem þú býrð til, og stefna okkar um ábyrga notkun og þjónustuskilmálar gilda um reikninginn. Að fjarlægja neitunarlag fjarlægir ágiskun um ásetning; það fjarlægir ekki skyldur þínar samkvæmt þeim lögum sem eiga við um þig.

06STEM og rökhugsun: hvað birtu tölurnar segja

Áhersla Nemotron í þjálfun hefur verið stærðfræði, kóði, vísindi og að fylgja fyrirmælum allt frá því að eftirþjálfunargagnasafn Llama-Nemotron var byggt einmitt í kringum þessa fjóra ása. Það sem NVIDIA greinir frá fyrir Nemotron 3 Ultra grunnlíkanið — tölur frá framleiðanda á óþjappaða líkaninu, sem við keyrðum ekki:

Tveir fyrirvarar sem eru meira virði en tölurnar. Talan fyrir SWE-Bench Verified er bil — NVIDIA greinir frá 65,0% til 70,4% eftir því hvaða gerendaumgjörð keyrir það (Pi, OpenHands, Hermes, OpenCode, Mini SWE Agent), og fimm stiga dreifing sem stafar af umgjörðinni einni sýnir hversu mjög gerendaeinkunnir velta á umgjörðinni frekar en líkaninu. Og Artificial Analysis setti Nemotron 3 Ultra í 48 á greindarvísitölu sinni, í níunda sæti af 89 líkönum — sterkt, ekki efst í flokki, og sjálfstæð mæling þeirra er sú sem við myndum vega þyngra en glæru nokkurs framleiðanda.

Um fyrri kynslóðina greinir Llama-Nemotron grein NVIDIA frá LN-Ultra með 76,0% á GPQA-Diamond á móti 71,5% hjá DeepSeek-R1 og 43,4% hjá Llama-3.1-405B-Instruct, auk 80,8% á AIME 2024 — annað líkan, tekið með vegna þess að vísindi á framhaldsstigi og keppnisstærðfræði hafa verið markmið fjölskyldunnar í tvær kynslóðir.

Viðmiðatölur eins og NVIDIA birti þær (júní 2026) fyrir óþjappaða Nemotron 3 Ultra, og eins og Artificial Analysis birti þær fyrir sjálfstæðar mælingar. Þjappaðar smíðar geta vikið frá þeim. Við birtum ekki viðmiðatölur sem við sannreyndum ekki eða getum ekki eignað heimild.

07Verðið, og fyrirvarinn um málgleði

Á $0.75 á hverja milljón inntakstákna og $3.30 á hverja milljón úttakstákna situr Nemotron3Ultra í neðsta þriðjungi skrárinnar okkar á inntaki og í miðjunni á úttaki. Unnin dæmi, því verð á hverja milljón er erfitt að finna á tilfinningunni:

Gerð kalls	Inntak	Úttak	Kostnaður
Dæmigerð RAG-umferð	50,000	4,000	$0.051
Greining á löngu skjali	150,000	8,000	$0.139
Kall í hámarksstærð	262,144	16,384	$0.251

Beiðni með fullu samhengi og fullu úttaki — hvert tákn sem endapunkturinn tekur við og hvert tákn sem hann framleiðir — kostar um 25 sent. Sama form á Kimi-K3-3BIT-REAP, dýrasta líkaninu okkar á $3.83/$19.12, kostar um $1.32, eða 5,3× meira.

Nú að fyrirvaranum, og hann er raunverulegur. Artificial Analysis mældi að Nemotron 3 Ultra framleiddi 2,3× fleiri úttakstákn en miðgildi sambærilegra líkana yfir viðmiðasafn þeirra. Rökhugsunarlíkön rukka þig fyrir hugsunina, og þetta hugsar lengi; forskot í verði á hvert tákn gufar upp í ókost á hvert verk ef líkanið rökhugsar þrisvar sinnum lengur til að komast að sama svari. Mildunin er innbyggð og aðgengileg á API-inu okkar: Nemotron 3 var eftirþjálfað fyrir stýringu á rökhugsunarheimild, og reasoning_effort er stutt hér — NVIDIA lýsir stillingu með minni þunga sem notar umtalsvert færri hugsunartákn gegn nákvæmnistapi upp á eins stafs tölu. Í flokkun, útdrætti og beiningu skaltu lækka hann og hagfræðin breytist umtalsvert; í sönnun eða endurskrifum yfir margar skrár skaltu hækka hann og borga fyrir það vísvitandi. Mældu þín eigin tákn á hvert verk í stað þess að lesa verðlistann og gefa þér niðurstöðuna.

08Að kalla á það: þrjár mállýskur, eitt líkan

Öll líkön á gáttinni svara á þremur streymandi API-flötum, svo þú getur beint fyrirliggjandi biðlara á þau án þess að endurskrifa samþættinguna þína: /v1/chat/completions (OpenAI-mállýska), /v1/messages (Anthropic-mállýska) og /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."}
    ]
  }'

Yfirlit yfir getu, svo ekkert komi þér á óvart við samþættingu:

Geta	Nemotron3Ultra · 3BIT-REAP
Samhengisgluggi	262,144 tákn
Hámarksúttak / beiðni	16,384 tákn
Streymi	Já
Verkfærakall	Já
Rökhugsunarslóðir	Já
reasoning_effort	Já
json_schema (strangt)	Já
response_format	Já
Sjón / myndinntak	Nei — aðeins texti
Neitunarlag	Ekkert

Sjónlínan kemur fólki í opna skjöldu: Nemotron3Ultra er aðeins texti. Ef ferlið þitt sendir myndir skaltu nota MiniMax-M3-3BIT-REAP eða MiMo-V2.5-W8A16 á $0.50/$2.00, eða Kimi-K2.6-W4A16-AUTOROUND-REAP á $0.78/$3.67 — öll með sjón, öll óritskoðuð, öll á sama 262,144 tákna samhengi. Fullt yfirlit yfir færibreytur er í API-skjölunum.

09Hvar Nemotron3Ultra situr meðal líkananna tólf

Skráin er tólf óritskoðuð líkön sem deila sama samhengisglugga, sömu þremur mállýskum og sömu fjarveru neitunarlags; þau eru ólík í grunnlíkani, verði og getu. Staða Nemotron er skýr: vinnuhesturinn í rökhugsun með opna ætt — ekki ódýrast, ekki getumest, en það sem hefur mesta opinbera pappírsslóð á bak við hegðun sína, fínstillt harðast í átt að STEM og gerendum.

Líkan	Inn / 1M	Út / 1M	Sjón	Veldu það fyrir
MiniMax-M3 · 3BIT-REAP	$0.50	$2.00	Já	Ódýrasti kosturinn með sjón
MiMo-V2.5-Pro · W8A16	$0.50	$2.00	Nei	Þjöppunarþrepið með mestri trúmennsku
GLM-5.2 · 3BIT-REAP	$0.73	$2.34	Nei	Ódýrasta rökhugsun á stóru grunnlíkani
Nemotron3Ultra · 3BIT-REAP	$0.75	$3.30	Nei	STEM, gerendur, opin ætt
Kimi-K2.6 · W4A16-AUTOROUND-REAP	$0.78	$3.67	Já	Sjón + AutoRound-trúmennska
DeepSeek-V4-Pro · 3BIT-REAP	$1.95	$3.90	Nei	Djúp greining í einu skoti
Kimi-K3 · 3BIT-REAP	$3.83	$19.12	Já	Algjört getuþak

Sjö af tólf sýnd. Öll skráin — þar með talin Laguna-S-2.1, inkling, DeepSeek-V4-Flash, MiMo-V2.5 og Hy3 — er í API-skjölunum. Athugaðu að Laguna-S-2.1 styður ekki skipulagt úttak og inkling styður ekki json_schema; Nemotron3Ultra styður hvort tveggja.

Næsti nágranni í verði er GLM-5.2-3BIT-REAP á $0.73/$2.34, og heiðarlegi samanburðurinn er þessi: GLM-5.2 er ódýrara á hvert tákn, sérstaklega á úttaki. Nemotron kemur með birtan þjálfunartexta, skýran stilli fyrir rökhugsunarheimild og fjölskyldusögu sem miðar að vísindum á framhaldsstigi. Almenn rökhugsun í miklu magni: keyrðu það ódýrara. STEM-þung vinna, gerendavinna, eða vinna sem sætir úttekt þar sem spurt er hvaðan hegðun líkansins kom: Nemotron vinnur fyrir muninum.

10Algengar spurningar

---

Heimildir: tækniskýrsla NVIDIA um Nemotron 3 Ultra · þróunarblogg NVIDIA (júní 2026) · minnispunktar um byggingarlag Nemotron 3 Super · Llama-Nemotron: Efficient Reasoning Models · Cerebras Research, REAP. Viðmið grunnlíkansins eru tölur frá NVIDIA fyrir óþjappaða líkanið nema þau séu eignuð Artificial Analysis; þjappaðar smíðar geta vikið frá þeim. Verð og geta eru rétt miðað við 5. september 2026.