API Nemotron គ្មានសេនស័រ

ម៉ូដែល "បើកចំហ" ភាគច្រើនគ្រាន់តែជាទម្ងន់បើកចំហ ហើយគ្មានអ្វីផ្សេងទៀត — ឯកសារ tarball នៃប៉ារ៉ាម៉ែត្រ អាជ្ញាប័ណ្ណមួយ ហើយភាពស្ងាត់អំពីប្រភពនៃលេខទាំងនោះ។ Nemotron ជាករណីលើកលែងស្ថិតស្ថេរអស់រយៈពេលពីរឆ្នាំ៖ NVIDIA ផ្តល់ទម្ងន់ សំណុំទិន្នន័យក្រោយបណ្តុះបណ្តាល បរិយាកាស RL និងរូបមន្ត។ នោះសំខាន់សម្រាប់ចំណុចប្រទាក់គ្មានសេនស័រមួយក្នុងលក្ខណៈមួយដែលងាយនឹងខកខាន។ ម៉ូដែលដែលទិន្នន័យតម្រឹមរបស់វាត្រូវបានផ្សព្វផ្សាយ ជាម៉ូដែលមួយដែលអ្នកអាចវែកញែកអំពីឥរិយាបថបដិសេធរបស់វា ជាជាងទាយវា — និងជាម៉ូដែលមួយដែលភាគីទីបីអាចដាក់ឲ្យប្រើប្រាស់ដោយស្របច្បាប់ដោយគ្មានតម្រងខ្លឹមសារត្រូវបានចាក់សោលើមាត់វា។

01តើ Nemotron 3 Ultra ជាអ្វី?

Nemotron 3 Ultra ជាសមាជិកធំបំផុតនៃគ្រួសារ Nemotron 3 របស់ NVIDIA ចេញផ្សាយទៅ Hugging Face នៅថ្ងៃទី 4 ខែមិថុនា ឆ្នាំ 2026។ របាយការណ៍បច្ចេកទេសរបស់ NVIDIA ពណ៌នាវាថាជា "ម៉ូដែលភាសា Mixture-of-Experts Hybrid Mamba-Attention ដែលមានប៉ារ៉ាម៉ែត្រសរុប 550 ប៊ីលាន និងធ្វើសកម្មភាព 55 ប៊ីលាន" — ប្រហែល 10% នៃបណ្តាញធ្វើការលើថូខឹនណាមួយ ដែលនោះជាអ្វីដែលធ្វើឲ្យម៉ូដែលកម្រិតកន្លះលានលានប៉ារ៉ាម៉ែត្រអាចបម្រើបានទាំងអស់។

ប្លង់ដែលបានរាយការណ៍មាន 108 ស្រទាប់ លើវិមាត្រម៉ូដែល 8,192 ដោយឆ្លាស់ស្រទាប់ Mamba-2 state-space ជាមួយសំណុំរាយប៉ាយនៃស្រទាប់ attention ពេញលេញ 512 អ្នកជំនាញក្នុងមួយស្រទាប់ MoE ជាមួយការនាំផ្លូវ top-22។ ការបណ្តុះបណ្តាលជាមុនរត់លើប្រហែល 20 លានលានថូខឹនអត្ថបទក្នុងពីរដំណាក់កាល — លម្អៀងទៅភាពចម្រុះ បន្ទាប់មកលម្អៀងទៅគុណភាព — ជាមួយកាលកំណត់ខែកញ្ញា ឆ្នាំ 2025 ភាសាធម្មជាតិ 12 និងភាសាកម្មវិធី 43។ ការបណ្តុះបណ្តាលក្រោយប្រើ SFT RL ច្រើនបរិយាកាសជាមួយរង្វាន់ដែលអាចផ្ទៀងផ្ទាត់បាន និង Multi-Teacher On-Policy Distillation កាត់តាមគ្រូជំនាញជាងដប់នាក់។ គោលដៅរចនាដែលបានប្រកាសគឺភ្នាក់ងាររត់រយៈពេលវែង៖ វគ្គដែលកាន់បរិបទធំ ហៅឧបករណ៍ជាច្រើនដង និងរត់យូរល្មមដែលសេដ្ឋកិច្ចក្នុងមួយថូខឹនគ្រប់គ្រងវិក្កយបត្រ។

02ពូជពង្ស Nemotron និងហេតុអ្វីតំណពូជសំខាន់

Nemotron មិនមែនជាការងារតែម្តងទេ។ វាជាលទ្ធផលដែលមើលឃើញនៃកម្មវិធីស្រាវជ្រាវរបស់ NVIDIA ដែលដំណើរការក្នុងទិសដៅដូចគ្នាតាំងពីឆ្នាំ 2024 ហើយជំនាន់នីមួយៗបានទុកអ្វីមួយដែលម៉ូដែលបច្ចុប្បន្ននៅតែផ្ទុក។ Nemotron-4 340B (ខែមិថុនា ឆ្នាំ 2024) បានផ្តល់ជាមួយបំពង់បង្កើតទិន្នន័យសំយោគបើកចំហ ម៉ូដែលរង្វាន់ និងឧបករណ៍បង្កើតរបស់វា បូកនឹងការបង្ហាញមិនធម្មតា៖ ភាគច្រើនលើសលប់នៃទិន្នន័យតម្រឹមរបស់វាត្រូវបានបង្កើតដោយម៉ូដែល។ ម៉ូដែលជាកន្លែងផលិតទិន្នន័យ ជាជាងជាអ្នកទស្សន៍ទាយ ជាមូលហេតុដែលការចេញផ្សាយ Nemotron ក្រោយៗនៅតែផ្តល់សំណុំទិន្នន័យរួមជាមួយទម្ងន់។

Llama-Nemotron — ការវែកញែកដែលអ្នកអាចបិទបាន

គ្រួសារ Llama-Nemotron ឆ្នាំ 2025 (LN-Nano 8B, LN-Super 49B, LN-Ultra 253B) បានចូលរួមចំណែកគំនិតពីរដែលនៅរឹងមាំតាមពេលវេលា។ គំនិតទីមួយជាស្ថាបត្យកម្ម៖ ការស្វែងរកស្ថាបត្យកម្មសរសៃប្រសាទ Puzzle របស់ NVIDIA បានសាងសង់បណ្ណាល័យប្លុក transformer ដែលបានចម្រាញ់តាមប្លុក ហើយផ្គុំវាដោយកម្មវិធីលេខគត់ចម្រុះ ដែលបង្កើតម៉ូដែលដែលប្លុកខ្លះរំលងការយកចិត្តទុកដាក់ទាំងស្រុង ឬជំនួសវាដោយស្រទាប់លីនេអ៊ែរតែមួយ ខណៈ FFN Fusion បានបង្រួមប្លុក feed-forward ជាប់ៗគ្នាទៅជាតិចជាង ធំទូលាយជាង ស្របគ្នាជាង — កាត់ជម្រៅជាបន្តបន្ទាប់ ជាជាងចំនួនប៉ារ៉ាម៉ែត្រ។ LN-Ultra សមទំហំលើ node 8×H100 តែមួយ ខណៈតាមក្រដាសរបស់ NVIDIA ប្រសើរជាង DeepSeek-R1 លើ GPQA-Diamond (76.0% ធៀបនឹង 71.5%)។

គំនិតទីពីរជាឥរិយាបថ៖ Llama-Nemotron ជាគ្រួសារបើកចំហដំបូងគេដែលមានកុងតាក់ការវែកញែកថាមវន្ត ដោយសម្គាល់ទិន្នន័យបណ្តុះបណ្តាលថា detailed thinking on ឬ detailed thinking off ក្នុងការណែនាំប្រព័ន្ធ ជាមួយរង្វាន់ទម្រង់ដែលបង្ខំស្លាក <think> ក្នុងរបៀប on។ ទម្ងន់មួយសំណុំ ឥរិយាបថពីរ អាចជ្រើសរើសបានពេលអនុមាន។ ការគ្រប់គ្រងថវិកាវែកញែក របស់ Nemotron 3 — និងប៉ារ៉ាម៉ែត្រ reasoning_effort នៅលើ API របស់យើង — ចុះមកដោយផ្ទាល់ពីការងារនោះ។

Nemotron 3 — វេនចម្រុះ

Nemotron 3 បានជំនួសដេរីវេ Llama ដោយស្ថាបត្យកម្មចម្រុះពីដើម ហើយបានបន្ថែម LatentMoE (បង្រួមទិន្នន័យថូខឹនមុននឹងនាំផ្លូវ ដែល NVIDIA និយាយថាអនុញ្ញាតឲ្យ "អ្នកជំនាញច្រើនជាង 4 ដងសម្រាប់ថ្លៃដើមអនុមានដូចគ្នា") multi-token prediction និងការបណ្តុះបណ្តាលជាមុន NVFP4 ដោយធម្មជាតិ។ NVIDIA បានផ្សព្វផ្សាយគំរូ SFT សរុប 50 លាន កិច្ចការ RL 2 លាន និងបរិយាកាស RL 55 រួមជាមួយទម្ងន់ — អ្នកមិនចាំបាច់ជឿពាក្យរបស់ក្រុមហ៊ុនផលិតអំពីអ្វីដែលម៉ូដែលត្រូវបានបង្រៀនទេ ព្រោះសម្ភារៈបង្រៀនអាចទាញយកបាន។

03អ្វីដែលស្ថាបត្យកម្មចម្រុះទិញឲ្យអ្នក

KV cache របស់ transformer កើនឡើងជាលីនេអ៊ែរតាមប្រវែងលំដាប់ ដែលនោះជាមូលហេតុដែលការអនុមានបរិបទវែងក្លាយជាថ្លៃដល់សតិ មុនពេលដល់ការគណនា។ ស្រទាប់ Mamba-2 ជាម៉ូដែល state-space ដែលកាន់ស្ថានភាពកើតឡើងវិញទំហំថេរ ដូច្នេះថ្លៃដើមសតិក្នុងមួយថូខឹនរបស់ពួកវាមិនកើនតាមប្រវត្តិទេ អ្វីដែលពួកវាមិនពូកែគឺការចងចាំតភ្ជាប់ជាក់លាក់។ ចម្រុះនេះរក្សា Mamba-2 សម្រាប់ការដំណើរការលំដាប់ភាគច្រើន បូកនឹងភាគតិចនៃស្រទាប់ attention ពិតសម្រាប់ការចងចាំដែលស្រទាប់ state-space ធ្វើមិនល្អ ជាមួយអនុបាត 64-query-head / 2-KV-head ខ្លាំង បង្រួម cache បន្ថែមទៀត។ NVIDIA រាយការណ៍ 94.7% លើ RULER នៅ 1M ថូខឹន — ស្តង់ដារវាស់ស្ទង់ការទាញយកម្ជុលដែលបានសាងសង់ដើម្បីចាប់ម៉ូដែលដែលអះអាងបង្អួចដែលពួកវាមិនអាចប្រើបាន។

លទ្ធផលគឺ throughput៖ NVIDIA អះអាង throughput អនុមានខ្ពស់ជាងប្រហែល 6× ធៀបនឹងម៉ូដែលដែលអាចប្រៀបធៀបបានក្នុងភាពត្រឹមត្រូវស្មើគ្នា ហើយ Artificial Analysis បានវាស់វែងដោយឯករាជ្យ 140.3 ថូខឹន/វិនាទី ជាមួយពេលវេលារហូតដល់ថូខឹនដំបូង 1.33 វិនាទី — ចំណាត់ថ្នាក់ទី 7 ក្នុងចំណោមម៉ូដែល 89។ លើការរត់ភ្នាក់ងារ 200 ដង នោះជាភាពខុសគ្នារវាងបញ្ចប់ក្នុងរសៀលមួយ និងមិនបញ្ចប់។

04តើ "3BIT-REAP" មានន័យអ្វី ដោយស្មោះត្រង់

បច្ច័យនេះមិនមែនតុបតែងទេ — វាប្រាប់អ្នកយ៉ាងជាក់លាក់ថាអ្វីខ្លះត្រូវបានធ្វើទៅលើគ្រឹះដើម្បីធ្វើឲ្យវាសមទំហំ។

REAP — Router-weighted Expert Activation Pruning — មកពី Cerebras Research ហើយត្រូវបានទទួលយកចូល ICLR 2026។ ក្នុង MoE រាយប៉ាយមួយ router ផ្ញើថូខឹននីមួយៗទៅអ្នកជំនាញមួយក្តាប់ លើបន្ទុកការងារពិត អ្នកខ្លះត្រូវបានវាយប្រហារជានិច្ច និងអ្នកខ្លះស្ទើរតែមិនដែលទេ។ REAP វាយតម្លៃអ្នកជំនាញនីមួយៗលើលក្ខណៈវិនិច្ឆ័យលេចធ្លោដែលបូកបញ្ចូល router ជ្រើសរើសវាខ្លាំងប៉ុណ្ណា និង លទ្ធផលរបស់វាចូលរួមច្រើនប៉ុណ្ណា បន្ទាប់មកលុបចោលអ្នកមិនលេចធ្លោបំផុតទាំងស្រុង — Cerebras រាយការណ៍ការកាត់ចោលអ្នកជំនាញរហូតដល់ 50% ពីម៉ូដែលធំដល់ 1 លានលានប៉ារ៉ាម៉ែត្រ ខណៈរក្សាគុណភាពមូលដ្ឋានភាគច្រើន ហើយរកឃើញថាសម្រាប់កិច្ចការបង្កើតដូចជាកូដ ការកាត់ចោលឈ្នះការបញ្ចូលគ្នា។ ការបំប្លែង 3-bit បន្ទាប់មកបង្រួមអ្វីដែលនៅរួច។ កាត់ចោលមុន បំប្លែងក្រោយ ដូច្នេះថវិកាប៊ីតទៅកាន់អ្នកជំនាញដែលផ្ទុកចរាចរណ៍ ជាជាងលាបពាសពេញលើអ្នកស្លាប់។

ការបង្រួមទិន្នន័យមិនមែនឥតគិតថ្លៃទេ ហើយយើងនឹងមិនធ្វើពុតថាមិនមែនទេ៖ ការបំប្លែងខ្លាំងបង្ហាញខ្លួនដំបូងជាការធ្លាក់ចុះតូចៗក្នុងការគោរពទម្រង់ជាក់លាក់ និងគណិតវិទ្យាខ្សែសង្វាក់វែង មិនមែនជាភាពមិនស៊ីសង្វាក់គ្នាដែលមើលឃើញច្បាស់ទេ។ ថ្នាក់ទាំងបីស្ថិតនៅ៖

បច្ច័យ	វាជាអ្វី	កន្លែងដែលយើងប្រើវា
3BIT-REAP	ទម្ងន់ 3-bit + ការកាត់ចោលអ្នកជំនាញ	គ្រឹះធំបំផុត ជាកន្លែងដែលគ្មានអ្វីផ្សេងទៀតសមទំហំក្នុងល្បឿន
W4A16-AUTOROUND-REAP	ទម្ងន់ 4-bit / ការធ្វើសកម្មភាព 16-bit ការបង្គត់ដែលបានរៀនរបស់ AutoRound + ការកាត់ចោល	គ្រឹះទំហំមធ្យម AutoRound សង្គ្រោះភាពត្រឹមត្រូវលើសពីការបង្គត់ទៅជិតបំផុតធម្មតា
W8A16	ទម្ងន់ 8-bit / ការធ្វើសកម្មភាព 16-bit	ភាពស្មោះត្រង់ខ្ពស់បំផុត គ្រឹះតូចល្មមមិនត្រូវការការបង្រួមខ្លាំង

Nemotron 3 Ultra ទំហំ 550B ស្ថិតយ៉ាងច្បាស់ក្នុងប្រភេទទីមួយ។ បើបន្ទុកការងាររបស់អ្នករសើបខុសពីធម្មតាចំពោះលទ្ធផលលេខជាក់លាក់លើខ្សែសង្វាក់វែង លិបិក្រមស្រាវជ្រាវ រាយថ្នាក់ W8A16 — MiMo-V2.5-Pro-W8A16 និង Hy3-W8A16 — ត្រឹមកម្រិតជាន់ $0.50/$2.00។ ការដូរពិតប្រាកដមួយ មិនមែនផ្លូវរួមទេ៖ ម៉ូដែលតូចជាង ការបង្រួមតិចជាង។

05"គ្មានសេនស័រ" មានន័យអ្វីនៅលើចំណុចប្រទាក់នេះ

ជាក់ស្តែង៖ គ្មានស្រទាប់ការបដិសេធ និងគ្មានតម្រងខ្លឹមសារអនុវត្តលើលទ្ធផលទេ។ គ្មានអ្នកចាត់ថ្នាក់ពិនិត្យប្រយោគរបស់អ្នក ហើយត្រឡប់ការបដិសេធស្រេចស្រាំមួយទេ ហើយចម្លើយមិនត្រូវបានស្កេនមុនពេលវាមកដល់ស្ទ្រីមរបស់អ្នកទេ។ អ្វីដែលអ្នកទទួលបានគឺឥរិយាបថផ្ទាល់ខ្លួនរបស់ម៉ូដែល។

នេះជាកន្លែងដែលពូជពង្សបើកចំហឈប់ជារឿងតូចតាចទៀត។ ព្រោះ NVIDIA បានផ្សព្វផ្សាយទិន្នន័យក្រោយបណ្តុះបណ្តាល និងបរិយាកាស RL និន្នាការរបស់ម៉ូដែលអាចត្រូវបានត្រួតពិនិត្យតាមគោលការណ៍ ជាជាងជារឿងព្រេង។ ហើយព្រោះ OpenMDW-1.1 ជាអាជ្ញាប័ណ្ណបើកទូលាយរបស់ Linux Foundation ដែលគ្របដណ្តប់ស្ថាបត្យកម្ម ប៉ារ៉ាម៉ែត្រ ឯកសារ និងកម្មវិធី ប្រតិបត្តិករឯករាជ្យម្នាក់អាចបម្រើការដាក់ឲ្យប្រើប្រាស់ដែលបានកែប្រែ និងគ្មានតម្រង នៅលើផ្នែករឹងផ្ទាល់ខ្លួនរបស់ពួកគេ ដោយគ្មានអាជ្ញាប័ណ្ណជាឧបសគ្គ។ អាជ្ញាប័ណ្ណម៉ូដែល "បើកចំហ" ជាច្រើនមិនអនុញ្ញាតដូច្នេះទេ។ អាជ្ញាប័ណ្ណនេះអនុញ្ញាត។ ភាពខុសគ្នាបង្ហាញខ្លួននៅកន្លែងដែលការបដិសេធដោយអព្យាក្រឹតជាកំហុសមួយ មិនមែនលក្ខណៈពិសេសសុវត្ថិភាពទេ៖

• ការស្រាវជ្រាវសន្តិសុខ — ការវិភាគភាពងាយរងគ្រោះ ការវែកញែក exploit ឥរិយាបថមេរោគ ឧបករណ៍ក្រុមក្រហម ដោយគ្មានការជជែកថាតើសំណួរនោះត្រូវបានអនុញ្ញាតឬអត់។
• គីមីវិទ្យា ជីវវិទ្យា និងឱសថសាស្ត្រ — គណិតវិទ្យាកម្រិតថ្នាំ យន្តការប្រតិកម្ម ជាតិពុល ផ្លូវសំយោគដែលចំណុចប្រទាក់មានតម្រងបដិសេធនៅពេលប៉ះពាល់ពាក្យគន្លឹះ។
• Adversarial ML — ឧទាហរណ៍អវិជ្ជមានពិបាក ក្រុមទិន្នន័យ jailbreak និងចំណាត់ថ្នាក់ការរំលោភសម្រាប់អ្នកចាត់ថ្នាក់ដែលត្រូវការឃើញរបស់ពិត។
• អត្ថបទគ្លីនិក ច្បាប់ និងកោសល្យវិច្ច័យ — សម្ភារៈករណីដែលរូបភាពជាក់ស្តែងតាមធម្មជាតិ ហើយត្រូវបានបដិសេធសម្រាប់ហេតុផលនោះជាក់ស្តែង។

គ្មានសេនស័រមិនមានន័យថាគ្មានទំនួលខុសត្រូវទេ។ អ្នកជាម្ចាស់នៃអ្វីដែលអ្នកបង្កើត ហើយគោលការណ៍ប្រើប្រាស់ដោយទទួលខុសត្រូវ និងលក្ខខណ្ឌសេវាកម្មរបស់យើងគ្រប់គ្រងគណនីនោះ។ ការដកស្រទាប់ការបដិសេធចេញ ដកចោលការទាយចេតនាចេញ វាមិនដកកាតព្វកិច្ចរបស់អ្នកក្រោមច្បាប់ដែលអនុវត្តលើអ្នកនោះទេ។

06STEM និងការវែកញែក៖ តើលេខដែលបានផ្សព្វផ្សាយនិយាយអ្វី

ចំណុចផ្តោតការបណ្តុះបណ្តាលរបស់ Nemotron ជាគណិតវិទ្យា កូដ វិទ្យាសាស្ត្រ និងការធ្វើតាមការណែនាំ តាំងពីសំណុំទិន្នន័យក្រោយបណ្តុះបណ្តាល Llama-Nemotron ត្រូវបានសាងសង់ជុំវិញអ័ក្សទាំងបួននេះពិតប្រាកដ។ អ្វីដែល NVIDIA រាយការណ៍សម្រាប់គ្រឹះ Nemotron 3 Ultra — តួលេខរាយការណ៍ដោយក្រុមហ៊ុនផលិតលើម៉ូដែលមិនទាន់បង្រួម ដែលយើងមិនបានរត់៖

ការព្រមានពីរដែលមានតម្លៃជាងលេខ។ តួលេខ SWE-Bench Verified ជាជួរ — NVIDIA រាយការណ៍ពី 65.0% ដល់ 70.4% អាស្រ័យលើក្របខ័ណ្ឌភ្នាក់ងារណាដែលរត់វា (Pi, OpenHands, Hermes, OpenCode, Mini SWE Agent) ហើយភាពខុសគ្នាប្រាំពិន្ទុពីអ្នកគ្រោងតែម្នាក់ឯងបង្ហាញថាពិន្ទុភ្នាក់ងារពឹងផ្អែកលើក្របខ័ណ្ឌប៉ុន្មាន ជាជាងម៉ូដែល។ ហើយ Artificial Analysis បានដាក់ Nemotron 3 Ultra នៅ 48 លើសន្ទស្សន៍ភាពវៃឆ្លាតរបស់ខ្លួន ចំណាត់ថ្នាក់ទី 9 ក្នុងចំណោមម៉ូដែល 89 — រឹងមាំ មិនមែនកំពូលវិស័យទេ ហើយការវាស់វែងឯករាជ្យរបស់ពួកគេជាអ្វីដែលយើងនឹងផ្តល់ទម្ងន់ជាងស្លាយរបស់ក្រុមហ៊ុនផលិតណាមួយ។

លើជំនាន់មុន ក្រដាសរបស់ NVIDIA អំពី Llama-Nemotron រាយការណ៍ LN-Ultra នៅ 76.0% លើ GPQA-Diamond ធៀបនឹង 71.5% របស់ DeepSeek-R1 និង 43.4% របស់ Llama-3.1-405B-Instruct បូកនឹង 80.8% លើ AIME 2024 — ជាម៉ូដែលផ្សេង រួមបញ្ចូលព្រោះវិទ្យាសាស្ត្រកម្រិតឧត្តម និងគណិតវិទ្យាការប្រកួតប្រជែងជាគោលដៅរបស់គ្រួសារនេះកាត់តាមពីរជំនាន់។

តួលេខស្តង់ដារវាស់ស្ទង់ដូចបានផ្សព្វផ្សាយដោយ NVIDIA (ខែមិថុនា ឆ្នាំ 2026) លើ Nemotron 3 Ultra មិនទាន់បង្រួម និងដោយ Artificial Analysis សម្រាប់ការវាស់វែងឯករាជ្យ។ ការសាងសង់ដែលបានបង្រួមអាចខុសគ្នា។ យើងមិនផ្សព្វផ្សាយលេខស្តង់ដារវាស់ស្ទង់ដែលយើងមិនបានផ្ទៀងផ្ទាត់ ឬមិនអាចដកស្រង់ប្រភពបានទេ។

07តម្លៃ និងការព្រមានអំពីភាពនិយាយច្រើន

ក្នុងតម្លៃ $0.75 ក្នុងមួយលានថូខឹនចូល និង $3.30 ក្នុងមួយលានថូខឹនចេញ Nemotron3Ultra ស្ថិតនៅភាគបីខាងក្រោមនៃកាតាឡុករបស់យើងលើចូល និងកណ្តាលលើចេញ។ ឧទាហរណ៍ជាក់ស្តែង ព្រោះតម្លៃក្នុងមួយលានពិបាកមានអារម្មណ៍៖

រូបរាងសំណើ	ចូល	ចេញ	ថ្លៃដើម
វេនធម្មតារបស់ RAG	50,000	4,000	$0.051
ការវិភាគឯកសារវែង	150,000	8,000	$0.139
សំណើទំហំអតិបរមា	262,144	16,384	$0.251

សំណើបរិបទពេញ លទ្ធផលពេញ — រាល់ថូខឹនដែលចំណុចប្រទាក់នឹងទទួល និងរាល់ថូខឹនដែលវានឹងផលិត — មានតម្លៃប្រហែល 25 សេន។ រូបរាងដូចគ្នានៅលើ Kimi-K3-3BIT-REAP ម៉ូដែលថ្លៃបំផុតរបស់យើងក្នុងតម្លៃ $3.83/$19.12 មានតម្លៃប្រហែល $1.32 ឬច្រើនជាង 5.3×។

ឥឡូវការព្រមាន ហើយវាពិតជាមាន។ Artificial Analysis បានវាស់វែង Nemotron 3 Ultra បង្កើតលទ្ធផលថូខឹនច្រើនជាង 2.3× ធៀបនឹងគូប្រជែងមធ្យមកាត់តាមឈុតស្តង់ដារវាស់ស្ទង់របស់ពួកគេ។ ម៉ូដែលវែកញែកគិតលុយអ្នកសម្រាប់ការគិត ហើយម៉ូដែលនេះគិតវែង អត្ថប្រយោជន៍តម្លៃក្នុងមួយថូខឹនហួតទៅជាគុណវិបត្តិក្នុងមួយកិច្ចការ បើម៉ូដែលវែកញែកបីដងវែងជាងដើម្បីទៅដល់ចម្លើយដូចគ្នា។ ការកាត់បន្ថយត្រូវបានបង្កប់ និងបង្ហាញនៅលើ API របស់យើង៖ Nemotron 3 ត្រូវបានបណ្តុះបណ្តាលក្រោយសម្រាប់ ការគ្រប់គ្រងថវិកាវែកញែក ហើយ reasoning_effort ត្រូវបានគាំទ្រនៅទីនេះ — NVIDIA ពណ៌នារបៀបកម្រិតខ្សោយជាងដែលប្រើថូខឹនគិតតិចជាងច្រើន សម្រាប់ការដូរភាពត្រឹមត្រូវមួយខ្ទង់។ លើការចាត់ថ្នាក់ ការទាញយកព័ត៌មាន និងការនាំផ្លូវ បន្ថយវា ហើយសេដ្ឋកិច្ចប្តូរយ៉ាងសំខាន់ លើភស្តុតាង ឬការកែសម្រួលឯកសារច្រើន បង្កើនវា ហើយបង់ថ្លៃវាដោយចេតនា។ វាស់ថូខឹនក្នុងមួយកិច្ចការរបស់អ្នកផ្ទាល់ ជាជាងអានបញ្ជីតម្លៃ ហើយសន្មត។

08ការហៅវា៖ បីភាសា ម៉ូដែលមួយ

ម៉ូដែលគ្រប់រូបនៅលើច្រកទ្វារឆ្លើយតបលើផ្ទៃ API streaming បីនេះ ដូច្នេះអ្នកអាចចង្អុលកម្មវិធីភ្ញៀវដែលមានស្រាប់ទៅវាដោយគ្មានសរសេរការរួមបញ្ចូលរបស់អ្នកឡើងវិញ៖ /v1/chat/completions (ភាសា OpenAI) /v1/messages (ភាសា Anthropic) និង /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."}
    ]
  }'

សេចក្តីសង្ខេបសមត្ថភាព ដូច្នេះគ្មានអ្វីធ្វើឲ្យអ្នកភ្ញាក់ផ្អើលពេលរួមបញ្ចូល៖

សមត្ថភាព	Nemotron3Ultra · 3BIT-REAP
បង្អួចបរិបទ	262,144 ថូខឹន
លទ្ធផលអតិបរមា / សំណើ	16,384 ថូខឹន
Streaming	មាន
ការហៅឧបករណ៍	មាន
ដានវែកញែក	មាន
reasoning_effort	មាន
json_schema (តឹងរឹង)	មាន
response_format	មាន
ការមើលឃើញ / ទិន្នន័យបញ្ចូលរូបភាព	ទេ — អត្ថបទតែប៉ុណ្ណោះ
ស្រទាប់ការបដិសេធ	គ្មាន

ជួរការមើលឃើញចាប់មនុស្សញឹកញាប់៖ Nemotron3Ultra ជាអត្ថបទតែប៉ុណ្ណោះ។ បើបំពង់ការងាររបស់អ្នកផ្ញើរូបភាព ប្រើ MiniMax-M3-3BIT-REAP ឬ MiMo-V2.5-W8A16 ក្នុងតម្លៃ $0.50/$2.00 ឬ Kimi-K2.6-W4A16-AUTOROUND-REAP ក្នុងតម្លៃ $0.78/$3.67 — ទាំងអស់អាចមើលឃើញ ទាំងអស់គ្មានសេនស័រ ទាំងអស់នៅលើបរិបទ 262,144 ថូខឹនដូចគ្នា។ ឯកសារយោងប៉ារ៉ាម៉ែត្រពេញលេញនៅក្នុង ឯកសារ API។

09កន្លែងដែល Nemotron3Ultra សមទំហំក្នុងចំណោមទាំងដប់ពីរ

កាតាឡុកមានម៉ូដែលគ្មានសេនស័រដប់ពីរដែលចែករំលែកបង្អួចបរិបទដូចគ្នា ភាសាបីដូចគ្នា និងអវត្តមាននៃស្រទាប់ការបដិសេធដូចគ្នា ពួកវាខុសគ្នាត្រង់គ្រឹះ តម្លៃ និងសមត្ថភាព។ ទីតាំងរបស់ Nemotron ជាក់លាក់៖ សេះការងារវែកញែកពូជពង្សបើកចំហ — មិនមែនថោកបំផុត មិនមែនមានសមត្ថភាពខ្ពស់បំផុត តែជាមួយដែលមានដានក្រដាសសាធារណៈច្រើនបំផុតនៅពីក្រោយឥរិយាបថរបស់វា កែសម្រួលខ្លាំងបំផុតឆ្ពោះទៅ STEM និងភ្នាក់ងារ។

ម៉ូដែល	ចូល / 1M	ចេញ / 1M	ការមើលឃើញ	ជ្រើសរើសសម្រាប់
MiniMax-M3 · 3BIT-REAP	$0.50	$2.00	មាន	ជម្រើសមើលឃើញថោកបំផុត
MiMo-V2.5-Pro · W8A16	$0.50	$2.00	ទេ	ថ្នាក់បំប្លែងភាពស្មោះត្រង់ខ្ពស់បំផុត
GLM-5.2 · 3BIT-REAP	$0.73	$2.34	ទេ	ការវែកញែកគ្រឹះធំថោកបំផុត
Nemotron3Ultra · 3BIT-REAP	$0.75	$3.30	ទេ	STEM ភ្នាក់ងារ ពូជពង្សបើកចំហ
Kimi-K2.6 · W4A16-AUTOROUND-REAP	$0.78	$3.67	មាន	ការមើលឃើញ + ភាពស្មោះត្រង់ AutoRound
DeepSeek-V4-Pro · 3BIT-REAP	$1.95	$3.90	ទេ	ការវិភាគស៊ីជម្រៅមួយដង
Kimi-K3 · 3BIT-REAP	$3.83	$19.12	មាន	ដំបូលសមត្ថភាពខ្ពស់បំផុត

បង្ហាញប្រាំពីរក្នុងចំណោមដប់ពីរ។ កាតាឡុកពេញលេញ — រួមទាំង Laguna-S-2.1, inkling, DeepSeek-V4-Flash, MiMo-V2.5 និង Hy3 — នៅក្នុង API docs។ សូមកត់សម្គាល់ថា Laguna-S-2.1 មិនគាំទ្រលទ្ធផលមានរចនាសម្ព័ន្ធ ហើយ inkling មិនគាំទ្រ json_schema ទេ Nemotron3Ultra គាំទ្រទាំងពីរ។

អ្នកជិតខាងបំផុតតាមតម្លៃគឺ GLM-5.2-3BIT-REAP ក្នុងតម្លៃ $0.73/$2.34 ហើយការប្រៀបធៀបស្មោះត្រង់គឺនេះ៖ GLM-5.2 ថោកជាងក្នុងមួយថូខឹន ជាពិសេសលើលទ្ធផល។ Nemotron ផ្តល់ខ្លឹមសារបណ្តុះបណ្តាលដែលបានផ្សព្វផ្សាយ កន្សោមថវិកាវែកញែកច្បាស់លាស់ និងប្រវត្តិគ្រួសារឆ្ពោះទៅវិទ្យាសាស្ត្រកម្រិតឧត្តម។ ការវែកញែកទូទៅបរិមាណខ្ពស់៖ រត់មួយដែលថោកជាង។ ធ្ងន់ទៅ STEM ភ្នាក់ងារ ឬស្ថិតក្រោមការត្រួតពិនិត្យដែលសួរថាឥរិយាបថរបស់ម៉ូដែលមកពីណា៖ Nemotron សមនឹងភាពខុសគ្នានោះ។

10សំណួរដែលសួរញឹកញាប់

---

ប្រភព៖ របាយការណ៍បច្ចេកទេស NVIDIA Nemotron 3 Ultra · ប្លុកអ្នកអភិវឌ្ឍន៍ NVIDIA (ខែមិថុនា ឆ្នាំ 2026) · កំណត់ត្រាស្ថាបត្យកម្ម Nemotron 3 Super · Llama-Nemotron: Efficient Reasoning Models · Cerebras Research, REAP។ ស្តង់ដារវាស់ស្ទង់គ្រឹះត្រូវបានរាយការណ៍ដោយ NVIDIA លើម៉ូដែលមិនទាន់បង្រួម លុះត្រាតែបញ្ជាក់ថាជារបស់ Artificial Analysis ការសាងសង់ដែលបានបង្រួមអាចខុសគ្នា។ តម្លៃ និងសមត្ថភាពគិតត្រឹមថ្ងៃទី 5 ខែកញ្ញា ឆ្នាំ 2026។