უცენზურო Nemotron API

„ღია“ მოდელების უმეტესობა ღია წონებია და მეტი არაფერი — პარამეტრების არქივი, ლიცენზია და დუმილი იმაზე, საიდან მოვიდა ციფრები. Nemotron ორი წელია თანმიმდევრული გამონაკლისია: NVIDIA აქვეყნებს წონებს, შემდგომი წვრთნის მონაცემთა ნაკრებებს, RL გარემოებსა და რეცეპტს. უცენზურო ენდპოინტისთვის ამას ისეთი მნიშვნელობა აქვს, რაც ადვილად გამოგრჩებათ. მოდელი, რომლის გასწორების მონაცემებიც გამოქვეყნებულია, არის მოდელი, რომლის უარის ქცევაზეც მსჯელობა შეგიძლიათ და არა გამოცნობა — და რომელსაც მესამე მხარე ლეგიტიმურად განათავსებს კონტენტის ფილტრის პირზე მიბმის გარეშე.

01რა არის Nemotron 3 Ultra?

Nemotron 3 Ultra არის NVIDIA-ს Nemotron 3 ოჯახის უდიდესი წევრი, გამოშვებული Hugging Face-ზე 2026 წლის 4 ივნისს. NVIDIA-ს ტექნიკური ანგარიში მას აღწერს როგორც „550 მილიარდი ჯამური და 55 მილიარდი აქტიური პარამეტრის ექსპერტთა ნაზავის ჰიბრიდულ Mamba-Attention ენობრივ მოდელს“ — ნებისმიერ ცალკეულ ტოკენზე ქსელის დაახლოებით 10% მუშაობს, სწორედ ეს ხდის ნახევარტრილიონპარამეტრიან მოდელს საერთოდ მომსახურებადს.

აღწერილი განლაგებაა 108 შრე მოდელის განზომილებაზე 8,192, სადაც Mamba-2 მდგომარეობის სივრცის შრეები ენაცვლება სრული ყურადღების მეჩხერ ნაკრებს, MoE შრეზე 512 ექსპერტით და top-22 მარშრუტიზაციით. წინასწარი წვრთნა დაახლოებით 20 ტრილიონ ტექსტურ ტოკენზე ორ ფაზად ჩატარდა — ჯერ მრავალფეროვნებაზე მიმართული, შემდეგ ხარისხზე — 2025 წლის სექტემბრის ზღვრით, 12 ბუნებრივი და 43 პროგრამირების ენით. შემდგომმა წვრთნამ გამოიყენა SFT, მრავალგარემოიანი RL შემოწმებადი ჯილდოებით და მრავალმასწავლებლიანი On-Policy დისტილაცია ათზე მეტ სპეციალისტ მასწავლებელზე. გაცხადებული საპროექტო სამიზნეა ხანგრძლივად მომუშავე აგენტები: სესიები, რომლებიც დიდ კონტექსტს ატარებენ, ინსტრუმენტებს ათეულობითჯერ იძახებენ და საკმარისად დიდხანს მუშაობენ, რომ ანგარიშში ტოკენზე ეკონომიკა გახდეს გადამწყვეტი.

02Nemotron-ის წარმომავლობა და რატომაა მნიშვნელოვანი ეს გენეალოგია

Nemotron ერთჯერადი არაა. ის NVIDIA-ს იმ კვლევითი პროგრამის ხილული შედეგია, რომელიც 2024 წლიდან ერთი მიმართულებით მიდის, და ყოველმა თაობამ დატოვა რაღაც, რასაც დღევანდელი მოდელიც ატარებს. Nemotron-4 340B (2024 წლის ივნისი) გამოვიდა სინთეზური მონაცემების გენერაციის ღია კონვეიერით, თავისი ჯილდოს მოდელითა და გენერატორით, პლუს უჩვეულო გამჟღავნებით: მისი გასწორების მონაცემების უდიდესი ნაწილი მოდელის მიერ იყო წარმოქმნილი. მოდელი როგორც მონაცემების ქარხანა და არა როგორც ორაკული — სწორედ ამიტომ აქვეყნებს Nemotron-ის შემდგომი გამოშვებები მონაცემთა ნაკრებებს წონების გვერდით.

Llama-Nemotron — მსჯელობა, რომელიც შეიძლება გამორთოთ

2025 წლის Llama-Nemotron ოჯახმა (LN-Nano 8B, LN-Super 49B, LN-Ultra 253B) ორი იდეა შემატა, რომლებმაც კარგად გაუძლო დროს. პირველი არქიტექტურული იყო: NVIDIA-ს Puzzle ნეირონული არქიტექტურის ძიებამ ბლოკურად დისტილირებული ტრანსფორმერის ბლოკების ბიბლიოთეკა ააგო და ისინი შერეულმთელრიცხვოვანი პროგრამირებით ააწყო, რის შედეგადაც მიიღო მოდელები, სადაც ზოგი ბლოკი ყურადღებას საერთოდ გამოტოვებს ან მას ერთი წრფივი შრით ცვლის, ხოლო FFN Fusion-მა თანმიმდევრული წინგადამცემი ბლოკები ნაკლებ, უფრო განიერ, პარალელურ ბლოკებად შეკუმშა — ამცირებდა რა თანმიმდევრულ სიღრმეს და არა პარამეტრების რაოდენობას. LN-Ultra ერთ 8×H100 კვანძზე ეტეოდა და NVIDIA-ს ნაშრომის მიხედვით DeepSeek-R1-ს GPQA-Diamond-ზე უსწრებდა (76.0% 71.5%-ის საპირისპიროდ).

მეორე ქცევითი იყო: Llama-Nemotron პირველი ღია ოჯახი იყო დინამიკური მსჯელობის გადამრთველით, რომელიც საწვრთნელ მონაცემებს სისტემურ ინსტრუქციაში detailed thinking on ან detailed thinking off ტეგით ნიშნავდა, ხოლო ფორმატის ჯილდოები ჩართულ რეჟიმში <think> ტეგებს ითხოვდა. ერთი ნაკრები წონები, ორი ქცევა, ინფერენსის დროს არჩევადი. Nemotron 3-ის მსჯელობის ბიუჯეტის კონტროლი — და reasoning_effort პარამეტრი ჩვენს API-ზე — პირდაპირ ამ სამუშაოდან მოდის.

Nemotron 3 — ჰიბრიდული მობრუნება

Nemotron 3-მა Llama-ს წარმოებულობა ნულიდან აშენებული ჰიბრიდული არქიტექტურით ჩაანაცვლა და დაამატა LatentMoE (ტოკენების შეკუმშვა მარშრუტიზაციამდე, რაც NVIDIA-ს თქმით იძლევა „ოთხჯერ მეტ ექსპერტს იმავე ინფერენსის ფასად“), მრავალტოკენიანი პროგნოზირება და მშობლიური NVFP4 წინასწარი წვრთნა. NVIDIA-მ წონების გვერდით გამოაქვეყნა ჯამურად 50 მილიონი SFT ნიმუში, 2 მილიონი RL ამოცანა და 55 RL გარემო — მომწოდებლის სიტყვის დაჯერება იმაზე, რას ასწავლიდნენ მოდელს, აღარ გჭირდებათ, რადგან სასწავლო მასალა ჩამოსატვირთია.

03რას გაძლევთ ჰიბრიდული არქიტექტურა

ტრანსფორმერის KV ქეში მიმდევრობის სიგრძის პროპორციულად იზრდება, სწორედ ამიტომ ხდება გრძელკონტექსტიანი ინფერენსი ძვირი ჯერ მეხსიერებაში და მერე გამოთვლაში. Mamba-2 შრეები მდგომარეობის სივრცის მოდელებია, რომლებიც ფიქსირებული ზომის რეკურენტულ მდგომარეობას ატარებენ, ამიტომ მათი ტოკენზე მეხსიერების ხარჯი ისტორიასთან ერთად არ იზრდება; რაშიც ისინი სუსტები არიან, არის ზუსტი ასოციაციური გახსენება. ჰიბრიდი Mamba-2-ს მიმდევრობის დამუშავების ძირითადი ნაწილისთვის ინარჩუნებს, პლუს ნამდვილი ყურადღების შრეების უმცირესობას იმ გახსენებისთვის, რომელსაც მდგომარეობის სივრცის შრეები ვერ აუდიან, ხოლო აგრესიული 64-შეკითხვის-თავიანი / 2-KV-თავიანი თანაფარდობა ქეშს კიდევ უფრო ამცირებს. NVIDIA აღნიშნავს 94.7%-ს RULER-ზე 1M ტოკენზე — ნემსის მოძიების ბენჩმარკი, აშენებული სწორედ იმ მოდელების დასაჭერად, რომლებიც ისეთ ფანჯარას აცხადებენ, რომლის გამოყენებაც არ შეუძლიათ.

შედეგი გამტარუნარიანობაა: NVIDIA აცხადებს დაახლოებით 6-ჯერამდე მაღალ ინფერენსის გამტარუნარიანობას შესადარის მოდელებთან შედარებით თანაბარი სიზუსტისას, ხოლო Artificial Analysis-მა დამოუკიდებლად გაზომა 140.3 ტოკენი წამში პირველ ტოკენამდე 1.33 წამით — მე-7 ადგილი 89 მოდელიდან. 200-სვლიან აგენტურ გაშვებაზე ეს არის სხვაობა შუადღისთვის დასრულებასა და საერთოდ ვერდასრულებას შორის.

04რას ნიშნავს „3BIT-REAP“, პატიოსნად

სუფიქსი დეკორაცია არაა — ის ზუსტად გეუბნებათ, რა გაუკეთდა საფუძველს, რომ ის დატეულიყო.

REAP — Router-weighted Expert Activation Pruning — Cerebras Research-იდან მოდის და ICLR 2026-ზეა მიღებული. მეჩხერ MoE-ში მარშრუტიზატორი ყოველ ტოკენს რამდენიმე ექსპერტს უგზავნის; რეალურ დატვირთვაზე ზოგს გამუდმებით მიმართავენ, ზოგს კი თითქმის არასოდეს. REAP ყოველ ექსპერტს აფასებს გამოკვეთილობის კრიტერიუმით, რომელიც აერთიანებს იმას, რამდენად ძლიერად უშვებს მას მარშრუტიზატორი და რამდენად დიდია მისი წვლილი გამოსავალში, შემდეგ კი ყველაზე ნაკლებად გამოკვეთილებს პირდაპირ აშორებს — Cerebras აღნიშნავს ექსპერტების 50%-მდე გასხვლას 1 ტრილიონ პარამეტრამდე მოდელებზე საბაზისო ხარისხის დიდწილად შენარჩუნებით და ადგენს, რომ გენერაციული ამოცანებისთვის, როგორიცაა კოდი, გასხვლა შერწყმას სჯობს. შემდეგ 3-ბიტიანი კვანტიზაცია კუმშავს იმას, რაც გადარჩა. ჯერ გასხვლა, მერე კვანტიზაცია, რომ ბიტების ბიუჯეტი ტრაფიკის მატარებელ ექსპერტებზე წავიდეს და არა მკვდრებზე გადანაწილდეს.

შეკუმშვა უფასო არაა და ამას არ დავმალავთ: აგრესიული კვანტიზაცია ჯერ ზუსტი ფორმატის დაცვისა და გრძელჯაჭვიანი არითმეტიკის მცირე გაუარესებად იჩენს თავს და არა ხილულ არათანმიმდევრულობად. სად დგას სამი დონე:

სუფიქსი	რა არის ის	სად ვიყენებთ
3BIT-REAP	3-ბიტიანი წონები + ექსპერტების გასხვლა	უდიდესი საფუძვლები, სადაც სხვა არაფერი ეტევა სიჩქარის შენარჩუნებით
W4A16-AUTOROUND-REAP	4-ბიტიანი წონები / 16-ბიტიანი აქტივაციები, AutoRound ნასწავლი დამრგვალება, + გასხვლა	საშუალო ზომის საფუძვლები; AutoRound სიზუსტეს იბრუნებს გულუბრყვილო უახლოესზე დამრგვალებასთან შედარებით
W8A16	8-ბიტიანი წონები / 16-ბიტიანი აქტივაციები	უმაღლესი ერთგულება; საფუძვლები, საკმარისად პატარები, რომ აგრესიული შეკუმშვა არ დასჭირდეთ

Nemotron 3 Ultra 550B-ზე პირდაპირ პირველ კატეგორიაშია. თუ თქვენი დატვირთვა უჩვეულოდ მგრძნობიარეა გრძელ ჯაჭვებზე ზუსტი რიცხვითი გამოსავლის მიმართ, კვლევის ინდექსი ჩამოთვლის W8A16 დონეს — MiMo-V2.5-Pro-W8A16 და Hy3-W8A16 — $0.50/$2.00 ფსკერზე. ეს რეალური გაცვლაა და არა ძაბრი: უფრო პატარა მოდელი, ნაკლები შეკუმშვა.

05რას ნიშნავს „უცენზურო“ ამ ენდპოინტზე

კონკრეტულად: უარის ფენა არ არსებობს და გამოსავალზე კონტენტის ფილტრი არ ედება. არცერთი კლასიფიკატორი არ ამოწმებს თქვენს მოთხოვნას და არ აბრუნებს დაკონსერვებულ უარს, პასუხი კი თქვენს ნაკადამდე მისვლამდე არ სკანირდება. თქვენ იღებთ მოდელის საკუთარ ქცევას.

სწორედ აქ წყვეტს ღია წარმომავლობა წვრილმანად ყოფნას. რადგან NVIDIA-მ შემდგომი წვრთნის მონაცემები და RL გარემოები გამოაქვეყნა, მოდელის განწყობები პრინციპში აუდიტირებადია და არა ფოლკლორი. და რადგან OpenMDW-1.1 არის Linux Foundation-ის ლიბერალური ლიცენზია, რომელიც არქიტექტურას, პარამეტრებს, დოკუმენტაციასა და პროგრამულ უზრუნველყოფას ფარავს, დამოუკიდებელ ოპერატორს შეუძლია საკუთარ აპარატურაზე მოდიფიცირებული, გაუფილტრავი განთავსება მოამსახუროს ისე, რომ ლიცენზია დაბრკოლება არ იყოს. მრავალი „ღია“ მოდელის ლიცენზია ამის უფლებას არ იძლევა. ეს კი იძლევა. სხვაობა იქ ჩანს, სადაც რეფლექსური უარი ხარვეზია და არა უსაფრთხოების ფუნქცია:

• უსაფრთხოების კვლევა — მოწყვლადობის ანალიზი, ექსპლოიტებზე მსჯელობა, მავნე პროგრამის ქცევა, წითელი გუნდის ინსტრუმენტები, იმაზე კამათის გარეშე, ნებადართულია თუ არა კითხვა.
• ქიმია, ბიოლოგია და ფარმაკოლოგია — დოზირების არითმეტიკა, რეაქციის მექანიზმები, ტოქსიკოლოგია, სინთეზის გზები, რომლებზეც გაფილტრული ენდპოინტი საკვანძო სიტყვასთან შეხებისთანავე უარს ამბობს.
• შემტევი ML — რთული უარყოფითი მაგალითები, jailbreak-ების კორპუსები და ბოროტად გამოყენების ტაქსონომიები კლასიფიკატორებისთვის, რომლებსაც ნამდვილი მასალა უნდა ჰქონდეთ ნანახი.
• კლინიკური, იურიდიული და სასამართლო-ექსპერტული ტექსტი — საქმის მასალა, რომელიც ბუნებით ამაზრზენია და სწორედ ამიტომ ბრუნდება უარით.

უცენზურო არ ნიშნავს ანგარიშვალდებულების გარეშეს. თქვენ ფლობთ იმას, რასაც წარმოქმნით, ხოლო ანგარიშს არეგულირებს ჩვენი პასუხისმგებლიანი გამოყენების პოლიტიკა და მომსახურების პირობები. უარის ფენის მოხსნა აშორებს განზრახვის გამოცნობას; ის არ აშორებს თქვენს ვალდებულებებს იმ კანონმდებლობით, რომელიც თქვენზე ვრცელდება.

06STEM და მსჯელობა: რას ამბობს გამოქვეყნებული ციფრები

Nemotron-ის წვრთნის ფოკუსი მათემატიკაზე, კოდზე, მეცნიერებასა და ინსტრუქციების შესრულებაზეა მას შემდეგ, რაც Llama-Nemotron-ის შემდგომი წვრთნის მონაცემთა ნაკრები ზუსტად ამ ოთხი ღერძის გარშემო აშენდა. რას აღნიშნავს NVIDIA Nemotron 3 Ultra საფუძვლისთვის — მომწოდებლის მიერ მოწოდებული ციფრები შეუკუმშავ მოდელზე, რომელიც ჩვენ არ გაგვიშვია:

ორი დათქმა ციფრებზე მეტად ღირს. SWE-Bench Verified-ის მაჩვენებელი დიაპაზონია — NVIDIA აღნიშნავს 65.0%-დან 70.4%-მდე იმის მიხედვით, რომელი აგენტური აღკაზმულობა უშვებს მას (Pi, OpenHands, Hermes, OpenCode, Mini SWE Agent), და მხოლოდ აღკაზმულობით გამოწვეული ხუთპუნქტიანი გაფანტვა აჩვენებს, რამდენად არის აგენტური ქულები დამოკიდებული აღკაზმულობაზე და არა მოდელზე. ხოლო Artificial Analysis-მა Nemotron 3 Ultra თავის Intelligence Index-ზე 48-ზე დააყენა, მე-9 ადგილზე 89 მოდელიდან — ძლიერია, მაგრამ არა სფეროს სათავეში, და სწორედ მათ დამოუკიდებელ გაზომვას ავწონიდით ნებისმიერი მომწოდებლის სლაიდზე მაღლა.

წინა თაობაზე NVIDIA-ს Llama-Nemotron-ის ნაშრომი LN-Ultra-ს 76.0%-ს GPQA-Diamond-ზე უწერს DeepSeek-R1-ის 71.5%-ისა და Llama-3.1-405B-Instruct-ის 43.4%-ის საპირისპიროდ, პლუს 80.8%-ს AIME 2024-ზე — სხვა მოდელია, აქ იმიტომ შედის, რომ სამაგისტრო დონის მეცნიერება და საკონკურსო მათემატიკა ორი თაობაა ამ ოჯახის სამიზნეა.

ბენჩმარკის ციფრები ისეა, როგორც NVIDIA-მ გამოაქვეყნა (2026 წლის ივნისი) შეუკუმშავ Nemotron 3 Ultra-ზე, ხოლო დამოუკიდებელი გაზომვები — Artificial Analysis-ის მიერ. შეკუმშული ბილდები შეიძლება განსხვავდებოდეს. ჩვენ არ ვაქვეყნებთ ბენჩმარკის ციფრებს, რომლებიც არ შეგვიმოწმებია ან რომელთა ავტორობასაც ვერ მივუთითებთ.

07ფასი და სიტყვამრავლობის დათქმა

$0.75-ად მილიონ შემავალ ტოკენზე და $3.30-ად მილიონ გამომავალზე Nemotron3Ultra ჩვენი კატალოგის ქვედა მესამედშია შემავალით და შუაში გამომავალით. გამოთვლილი მაგალითები, რადგან მილიონზე ფასების შეგრძნება რთულია:

გამოძახების ფორმა	შემავალი	გამომავალი	ღირებულება
ტიპური RAG სვლა	50,000	4,000	$0.051
გრძელი დოკუმენტის ანალიზი	150,000	8,000	$0.139
მაქსიმალური ზომის გამოძახება	262,144	16,384	$0.251

სრულკონტექსტიანი, სრულგამოსავლიანი მოთხოვნა — ყოველი ტოკენი, რომელსაც ენდპოინტი მიიღებს, და ყოველი ტოკენი, რომელსაც ის წარმოქმნის — დაახლოებით 25 ცენტი ჯდება. იგივე ფორმა Kimi-K3-3BIT-REAP-ზე, ჩვენს ყველაზე ძვირ მოდელზე $3.83/$19.12-ად, დაახლოებით $1.32 ჯდება, ანუ 5.3-ჯერ მეტი.

ახლა დათქმა და ის ნამდვილია. Artificial Analysis-მა გაზომა, რომ Nemotron 3 Ultra მათი ბენჩმარკების ნაკრებზე 2.3-ჯერ მეტ გამომავალ ტოკენს წარმოქმნის, ვიდრე მედიანური თანატოლი. მსჯელობის მოდელები ფიქრსაც გითვლიან, ეს კი ვრცლად ფიქრობს; ტოკენზე ფასის უპირატესობა ამოცანაზე ფასის ნაკლოვანებაში იშლება, თუ მოდელი იმავე პასუხამდე მისასვლელად სამჯერ დიდხანს მსჯელობს. შემარბილებელი ჩაშენებულია და ჩვენს API-ზეც გამოტანილი: Nemotron 3 შემდგომ წვრთნას მსჯელობის ბიუჯეტის კონტროლისთვის გადიოდა და reasoning_effort აქ მხარდაჭერილია — NVIDIA აღწერს დაბალძალისხმევიან რეჟიმს, რომელიც არსებითად ნაკლებ ფიქრის ტოკენს იყენებს ერთნიშნა სიზუსტის დათმობის ფასად. კლასიფიკაციაზე, ამოღებასა და მარშრუტიზაციაზე დაუწიეთ და ეკონომიკა არსებითად შეიცვლება; დამტკიცებაზე ან მრავალფაილიან რეფაქტორინგზე აუწიეთ და გადაიხადეთ განზრახ. გაზომეთ ამოცანაზე თქვენივე ტოკენების რაოდენობა და ნუ იმსჯელებთ მხოლოდ ფასების სიის კითხვით.

08გამოძახება: სამი დიალექტი, ერთი მოდელი

გეითვეიზე ყოველი მოდელი სამ სტრიმინგის API ზედაპირზე პასუხობს, ასე რომ არსებულ კლიენტს მასზე ინტეგრაციის გადაწერის გარეშე მიმართავთ: /v1/chat/completions (OpenAI დიალექტი), /v1/messages (Anthropic დიალექტი) და /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."}
    ]
  }'

შესაძლებლობების შეჯამება, რომ ინტეგრაციისას არაფერმა გაგაკვირვოთ:

შესაძლებლობა	Nemotron3Ultra · 3BIT-REAP
კონტექსტის ფანჯარა	262,144 ტოკენი
მაქს. გამოსავალი / მოთხოვნაზე	16,384 ტოკენი
სტრიმინგი	დიახ
ინსტრუმენტების გამოძახება	დიახ
მსჯელობის კვალი	დიახ
reasoning_effort	დიახ
json_schema (მკაცრი)	დიახ
response_format	დიახ
ხედვა / სურათის შეტანა	არა — მხოლოდ ტექსტი
უარის ფენა	არ არსებობს

ხედვის სტრიქონი ხალხს ხშირად ეპარება: Nemotron3Ultra მხოლოდ ტექსტურია. თუ თქვენი კონვეიერი სურათებს აგზავნის, გამოიყენეთ MiniMax-M3-3BIT-REAP ან MiMo-V2.5-W8A16 $0.50/$2.00-ად, ან Kimi-K2.6-W4A16-AUTOROUND-REAP $0.78/$3.67-ად — ყველა ხედვის მქონეა, ყველა უცენზურო, ყველა იმავე 262,144-ტოკენიან კონტექსტზე. პარამეტრების სრული ცნობარი API-ის დოკუმენტაციაშია.

09სად ჯდება Nemotron3Ultra თორმეტს შორის

კატალოგი თორმეტი უცენზურო მოდელია, რომლებიც ერთსა და იმავე კონტექსტის ფანჯარას, იმავე სამ დიალექტსა და უარის ფენის იმავე არარსებობას იზიარებენ; ისინი განსხვავდებიან საფუძვლით, ფასითა და შესაძლებლობებით. Nemotron-ის ადგილი კონკრეტულია: ის არის ღიაწარმომავლობიანი მსჯელობის სამუშაო ცხენი — არც ყველაზე იაფი, არც ყველაზე შესაძლებლიანი, მაგრამ ის, ვისი ქცევის უკანაც ყველაზე მეტი საჯარო კვალია, და ყველაზე მეტად STEM-ისა და აგენტებისკენ გამართული.

მოდელი	შემავალი / 1M	გამომავალი / 1M	ხედვა	აირჩიეთ ამისთვის
MiniMax-M3 · 3BIT-REAP	$0.50	$2.00	დიახ	ყველაზე იაფი ხედვის მქონე ვარიანტი
MiMo-V2.5-Pro · W8A16	$0.50	$2.00	არა	უმაღლესი ერთგულების კვანტიზაციის დონე
GLM-5.2 · 3BIT-REAP	$0.73	$2.34	არა	ყველაზე იაფი დიდსაფუძვლიანი მსჯელობა
Nemotron3Ultra · 3BIT-REAP	$0.75	$3.30	არა	STEM, აგენტები, ღია წარმომავლობა
Kimi-K2.6 · W4A16-AUTOROUND-REAP	$0.78	$3.67	დიახ	ხედვა + AutoRound ერთგულება
DeepSeek-V4-Pro · 3BIT-REAP	$1.95	$3.90	არა	ღრმა ერთჯერადი ანალიზი
Kimi-K3 · 3BIT-REAP	$3.83	$19.12	დიახ	შესაძლებლობის აბსოლუტური ჭერი

ნაჩვენებია თორმეტიდან შვიდი. სრული კატალოგი — Laguna-S-2.1-ის, inkling-ის, DeepSeek-V4-Flash-ის, MiMo-V2.5-ისა და Hy3-ის ჩათვლით — API-ის დოკუმენტაციაშია. გაითვალისწინეთ, რომ Laguna-S-2.1 სტრუქტურირებულ გამოსავალს არ უჭერს მხარს, ხოლო inkling json_schema-ს არა; Nemotron3Ultra ორივეს უჭერს მხარს.

ფასით უახლოესი მეზობელია GLM-5.2-3BIT-REAP $0.73/$2.34-ად და პატიოსანი შედარება ასეთია: GLM-5.2 ტოკენზე იაფია, განსაკუთრებით გამომავალზე. Nemotron მოაქვს გამოქვეყნებული საწვრთნელი კორპუსი, მსჯელობის ბიუჯეტის ცხადი რეგულატორი და ოჯახის ისტორია, მიმართული სამაგისტრო დონის მეცნიერებაზე. მაღალი მოცულობის ზოგადი მსჯელობა: გაუშვით იაფი. STEM-ით დატვირთული, აგენტური ან ისეთი, რომელსაც აუდიტი ეკითხება, საიდან მოვიდა მოდელის ქცევა: Nemotron სხვაობას იმართლებს.

10ხშირად დასმული კითხვები

---

წყაროები: NVIDIA Nemotron 3 Ultra-ს ტექნიკური ანგარიში · NVIDIA-ს დეველოპერული ბლოგი (2026 წლის ივნისი) · Nemotron 3 Super-ის არქიტექტურის შენიშვნები · Llama-Nemotron: Efficient Reasoning Models · Cerebras Research, REAP. საფუძვლის ბენჩმარკები NVIDIA-ს მიერაა მოწოდებული შეუკუმშავ მოდელზე, თუ ისინი Artificial Analysis-ს არ მიეწერება; შეკუმშული ბილდები შეიძლება განსხვავდებოდეს. ფასები და შესაძლებლობები აქტუალურია 2026 წლის 5 სექტემბრისთვის.