Necenzēts Nemotron API

Vairums „atvērto” modeļu ir atvērti svari un nekas vairāk — parametru arhīvs, licence un klusums par to, no kurienes skaitļi radušies. Nemotron jau divus gadus ir konsekvents izņēmums: NVIDIA publicē svarus, pēctreniņa datu kopas, RL vides un recepti. Necenzētam galapunktam tas nozīmē vairāk, nekā pirmajā mirklī šķiet. Modelis, kura saskaņošanas dati ir publicēti, ir modelis, par kura atteikuma uzvedību var spriest, nevis minēt — un tāds, ko trešā puse var likumīgi izvietot bez satura filtra, pieskrūvēta tā mutei.

01Kas ir Nemotron 3 Ultra?

Nemotron 3 Ultra ir lielākais NVIDIA Nemotron 3 saimes loceklis, publicēts Hugging Face 2026. gada 4. jūnijā. NVIDIA tehniskais ziņojums to apraksta kā „550 miljardu kopējo un 55 miljardu aktīvo parametru Mixture-of-Experts hibrīdu Mamba-Attention valodas modeli” — aptuveni 10% tīkla strādā ar jebkuru konkrēto tokenu, un tieši tas padara pusotra triljona parametru modeli vispār pasniedzamu.

Publicētais izkārtojums ir 108 slāņi ar modeļa dimensiju 8,192, pārmaiņus liekot Mamba-2 stāvokļu telpas slāņus ar retu pilnas uzmanības slāņu kopu, 512 ekspertiem uz MoE slāni un top-22 maršrutēšanu. Iepriekštreniņš noritēja uz aptuveni 20 triljoniem teksta tokenu divās fāzēs — vispirms daudzveidībai, tad kvalitātei — ar 2025. gada septembra robežu, 12 dabiskajām valodām un 43 programmēšanas valodām. Pēctreniņā izmantoja SFT, daudzvides RL ar pārbaudāmiem atalgojumiem un daudzskolotāju uz politiku balstītu destilāciju no vairāk nekā desmit speciālistu skolotājiem. Deklarētais projektēšanas mērķis ir ilgi strādājoši aģenti: sesijas, kas notur lielu kontekstu, izsauc rīkus desmitiem reižu un darbojas pietiekami ilgi, lai rēķinā dominētu ekonomika uz tokenu.

02Nemotron cilts un kāpēc izcelsme ir svarīga

Nemotron nav vienreizējs gadījums. Tas ir redzamais rezultāts NVIDIA pētniecības programmai, kas kopš 2024. gada iet vienā virzienā, un katra paaudze atstāja kaut ko, ko pašreizējais modelis joprojām nes. Nemotron-4 340B (2024. gada jūnijs) tika izlaists ar atvērtu sintētisko datu ģenerēšanas konveijeru, savu atalgojuma modeli un ģeneratoru, plus ar neparastu atklāsmi: pārliecinošs vairākums tā saskaņošanas datu bija modeļa radīti. Modelis kā datu fabrika, nevis kā orākuls — tieši tāpēc vēlākie Nemotron laidieni turpina publicēt datu kopas līdzās svariem.

Llama-Nemotron — spriešana, ko var izslēgt

2025. gada Llama-Nemotron saime (LN-Nano 8B, LN-Super 49B, LN-Ultra 253B) deva divas idejas, kas labi novecoja. Pirmā bija arhitektūras: NVIDIA Puzzle neironu arhitektūras meklēšana uzbūvēja bloku līmenī destilētu transformera bloku bibliotēku un salika tos ar jaukto veselo skaitļu programmēšanu, radot modeļus, kuros daži bloki uzmanību izlaiž pavisam vai aizstāj to ar vienu lineāru slāni, kamēr FFN Fusion sabruka secīgus tiešās padeves blokus mazākā skaitā platāku, paralēlu bloku — samazinot secīgo dziļumu, nevis parametru skaitu. LN-Ultra ietilpa vienā 8×H100 mezglā un, pēc NVIDIA raksta, pārspēja DeepSeek-R1 uz GPQA-Diamond (76.0% pret 71.5%).

Otrā bija uzvedības: Llama-Nemotron bija pirmā atvērtā saime ar dinamisku spriešanas slēdzi, birkojot treniņa datus sistēmas instrukcijā ar detailed thinking on vai detailed thinking off, un ar formāta atalgojumiem, kas ieslēgtajā režīmā uzspieda <think> birkas. Viens svaru komplekts, divas uzvedības, izvēlamas izsecināšanas laikā. Nemotron 3 spriešanas budžeta vadība — un reasoning_effort parametrs mūsu API — tieši nāk no šī darba.

Nemotron 3 — hibrīdais pagrieziens

Nemotron 3 nomainīja atvasinājumu no Llama pret no nulles būvētu hibrīdarhitektūru un pievienoja LatentMoE (tokenu saspiešana pirms maršrutēšanas, kas, pēc NVIDIA vārdiem, ļauj „4 reizes vairāk ekspertu par tām pašām izsecināšanas izmaksām”), daudztokenu prognozēšanu un iedzimtu NVFP4 iepriekštreniņu. NVIDIA līdzās svariem publicēja kopumā 50 miljonus SFT paraugu, 2 miljonus RL uzdevumu un 55 RL vides — jums nav jāpaļaujas uz ražotāja vārdu par to, kas modelim tika mācīts, jo mācību materiāls ir lejupielādējams.

03Ko jums dod hibrīdā arhitektūra

Transformera KV kešatmiņa aug lineāri ar secības garumu, un tieši tāpēc gara konteksta izsecināšana kļūst dārga atmiņā ātrāk nekā skaitļošanā. Mamba-2 slāņi ir stāvokļu telpas modeļi ar fiksēta izmēra rekurentu stāvokli, tāpēc to atmiņas izmaksas uz tokenu ar vēsturi neaug; slikti tiem padodas precīza asociatīvā atsaukšana. Hibrīds patur Mamba-2 lielākajai daļai secības apstrādes plus mazākumu īstu uzmanības slāņu tieši tai atsaukšanai, ar ko stāvokļu telpas slāņi neveiksmīgi cīnās, un agresīva 64 vaicājumu galvu / 2 KV galvu attiecība kešatmiņu sarauj vēl vairāk. NVIDIA ziņo 94.7% uz RULER pie 1M tokenu — adatas izgūšanas etalonu, būvētu tieši tam, lai pieķertu modeļus, kas sludina logu, ko nespēj izmantot.

Sekas ir caurlaidspēja: NVIDIA apgalvo līdz aptuveni 6× augstāku izsecināšanas caurlaidspēju nekā salīdzināmiem modeļiem pie līdzvērtīgas precizitātes, un Artificial Analysis neatkarīgi izmērīja 140.3 tokenus sekundē ar 1.33 sekunžu laiku līdz pirmajam tokenam — 7. vieta no 89 modeļiem. 200 gājienu aģenta gājienā tā ir starpība starp pabeigšanu pēcpusdienā un nepabeigšanu vispār.

04Ko godīgi nozīmē „3BIT-REAP”

Piedēklis nav dekorācija — tas precīzi pasaka, kas ar pamatmodeli izdarīts, lai tas ietilptu.

REAP — maršrutētāja svērtā ekspertu aktivācijas atzarošana — nāk no Cerebras Research un tika pieņemta ICLR 2026. Retā MoE maršrutētājs katru tokenu sūta uz sauju ekspertu; reālā darba slodzē vienos trāpa nemitīgi, citos gandrīz nekad. REAP katru ekspertu novērtē pēc izteiksmīguma kritērija, kas apvieno to, cik stipri maršrutētājs to vārto, un to, cik lielas ir tā izvades iemaksas, tad mazāk izteiksmīgos izmet pavisam — Cerebras ziņo par līdz 50% ekspertu atzarošanu modeļos līdz pat 1 triljonam parametru, lielā mērā saglabājot bāzes kvalitāti, un secina, ka ģeneratīvos uzdevumos, piemēram, kodā, atzarošana pārspēj apvienošanu. 3 bitu kvantēšana pēc tam saspiež to, kas izdzīvojis. Vispirms atzarot, tad kvantējot, bitu budžets aiziet ekspertiem, kas nes datplūsmu, nevis tiek izsmērēts pa mirušajiem.

Saspiešana nav bez maksas, un mēs neizliksimies citādi: agresīva kvantēšana vispirms parādās kā nelielas atkāpes precīzā formāta ievērošanā un garās ķēdēs veiktā aritmētikā, nevis kā redzama nesakarība. Kur nonāk trīs līmeņi:

Piedēklis	Kas tas ir	Kur to izmantojam
3BIT-REAP	3 bitu svari + ekspertu atzarošana	Lielākie pamatmodeļi, kur nekas cits ātrumā neietilpst
W4A16-AUTOROUND-REAP	4 bitu svari / 16 bitu aktivācijas, AutoRound iemācīta noapaļošana, + atzarošana	Vidēja izmēra pamatmodeļi; AutoRound atgūst precizitāti pār naivu noapaļošanu uz tuvāko
W8A16	8 bitu svari / 16 bitu aktivācijas	Augstākā precizitāte; pamatmodeļi, kas ir pietiekami mazi, lai agresīva saspiešana nebūtu vajadzīga

Nemotron 3 Ultra ar 550B ir droši pirmajā kategorijā. Ja jūsu darba slodze ir neparasti jutīga pret precīzu skaitlisko izvadi garās ķēdēs, pētniecības rādītājs uzskaita W8A16 līmeni — MiMo-V2.5-Pro-W8A16 un Hy3-W8A16 — pie $0.50/$2.00 grīdas. Īsta apmaiņa, nevis piltuve: mazāks modelis, mazāka saspiešana.

05Ko uz šī galapunkta nozīmē „necenzēts”

Konkrēti: nav atteikuma slāņa un izvadei netiek pielietota satura filtrēšana. Neviens klasifikators nepārbauda jūsu uzvedni un neatdod konservētu atteikumu, un atbilde netiek skenēta, pirms tā sasniedz jūsu straumi. Jūs saņemat modeļa paša uzvedību.

Tieši šeit atvērtā cilme pārstāj būt sīkums. Tāpēc, ka NVIDIA publicēja pēctreniņa datus un RL vides, modeļa nosliece principā ir auditējama, nevis folklora. Un tāpēc, ka OpenMDW-1.1 ir pieļāvīga Linux Foundation licence, kas aptver arhitektūru, parametrus, dokumentāciju un programmatūru, neatkarīgs operators var pasniegt modificētu, nefiltrētu izvietojumu uz savas aparatūras, un licence tam nav šķērslis. Daudzas „atvērto” modeļu licences to neatļauj. Šī atļauj. Atšķirība parādās tur, kur reflekss atteikums ir kļūda, nevis drošības iezīme:

• Drošības pētniecība — ievainojamību analīze, ekspluatācijas spriešana, ļaunatūras uzvedība, sarkanās komandas rīki, bez strīda par to, vai jautājums ir atļauts.
• Ķīmija, bioloģija un farmakoloģija — devu aritmētika, reakciju mehānismi, toksikoloģija, sintēzes ceļi, ko filtrēts galapunkts atsaka jau pie atslēgvārda pieskāriena.
• Pretinieciskā mašīnmācīšanās — grūtie negatīvie piemēri, ielaušanās uzvedņu korpusi un ļaunprātības taksonomijas klasifikatoriem, kuriem īstais materiāls ir jābūt redzētam.
• Klīniskie, juridiskie un tiesu ekspertīzes teksti — lietu materiāli, kas pēc būtības ir drastiski un tieši tāpēc tiek atteikti.

Necenzēts nenozīmē neatbildīgs. Jūs esat atbildīgi par to, ko ģenerējat, un kontu pārvalda mūsu atbildīgas lietošanas politika un pakalpojumu noteikumi. Atteikuma slāņa noņemšana noņem minējumu par nolūku; tā nenoņem jūsu pienākumus saskaņā ar jums piemērojamajiem likumiem.

06STEM un spriešana: ko saka publicētie skaitļi

Nemotron treniņa fokuss ir bijis matemātika, kods, zinātne un instrukciju izpilde kopš Llama-Nemotron pēctreniņa datu kopa tika būvēta tieši ap šīm četrām asīm. Ko NVIDIA ziņo par Nemotron 3 Ultra pamatmodeli — ražotāja ziņoti skaitļi par nesaspiesto modeli, ko mēs neesam palaiduši:

Divas atrunas, kas ir vērtīgākas par pašiem skaitļiem. SWE-Bench Verified rādītājs ir diapazons — NVIDIA ziņo no 65.0% līdz 70.4% atkarībā no tā, kurš aģenta ietvars to palaiž (Pi, OpenHands, Hermes, OpenCode, Mini SWE Agent), un piecu punktu izkliede tikai no sastatnēm parāda, cik ļoti aģentiskie vērtējumi ir atkarīgi no ietvara, nevis no modeļa. Un Artificial Analysis Nemotron 3 Ultra novietoja ar 48 punktiem savā Intelligence Index, 9. vietā no 89 modeļiem — spēcīgi, bet ne lauka augšgalā, un tieši viņu neatkarīgo mērījumu mēs svērtu augstāk par jebkura ražotāja slaidu.

Par iepriekšējo paaudzi NVIDIA Llama-Nemotron raksts ziņo LN-Ultra ar 76.0% uz GPQA-Diamond pret DeepSeek-R1 71.5% un Llama-3.1-405B-Instruct 43.4%, plus 80.8% uz AIME 2024 — cits modelis, iekļauts tāpēc, ka doktorantūras līmeņa zinātne un sacensību matemātika ir bijuši šīs saimes mērķis divas paaudzes.

Etalonu skaitļi ir tādi, kā tos publicējusi NVIDIA (2026. gada jūnijs) par nesaspiesto Nemotron 3 Ultra, un Artificial Analysis par neatkarīgajiem mērījumiem. Saspiestās būves var atšķirties. Mēs nepublicējam etalonu skaitļus, ko neesam pārbaudījuši vai nevaram attiecināt uz avotu.

07Cena un atruna par vārdīgumu

Ar $0.75 par miljonu ievades tokenu un $3.30 par miljonu izvades tokenu Nemotron3Ultra ievadē atrodas mūsu kataloga apakšējā trešdaļā un izvadē — vidū. Izstrādāti piemēri, jo cenu uz miljonu ir grūti sajust:

Izsaukuma forma	Ievade	Izvade	Izmaksas
Tipisks RAG gājiens	50,000	4,000	$0.051
Gara dokumenta analīze	150,000	8,000	$0.139
Maksimāla izmēra izsaukums	262,144	16,384	$0.251

Pilna konteksta un pilnas izvades pieprasījums — katrs tokens, ko galapunkts pieņems, un katrs, ko tas radīs — maksā aptuveni 25 centus. Tā pati forma uz Kimi-K3-3BIT-REAP, mūsu dārgākā modeļa par $3.83/$19.12, maksā aptuveni $1.32 jeb 5.3× vairāk.

Tagad atruna, un tā ir īsta. Artificial Analysis izmērīja, ka Nemotron 3 Ultra visā viņu etalonu komplektā ģenerē 2.3× vairāk izvades tokenu nekā mediānais līdzinieks. Spriešanas modeļi jums rēķina arī par domāšanu, un šis domā gari; priekšrocība cenā uz tokenu izgaist par neizdevīgumu uz uzdevumu, ja modelis spriež trīsreiz ilgāk, lai nonāktu pie tās pašas atbildes. Mazināšanas līdzeklis ir iebūvēts un atklāts mūsu API: Nemotron 3 tika pēctrenēts spriešanas budžeta vadībai, un reasoning_effort šeit ir atbalstīts — NVIDIA apraksta zemākas intensitātes režīmu, kas izmanto būtiski mazāk domāšanas tokenu par viencipara precizitātes cenu. Klasifikācijā, ekstrakcijā un maršrutēšanā to nogrieziet, un ekonomika mainās būtiski; pierādījumā vai daudzfailu pārstrukturēšanā to paceliet un maksājiet apzināti. Mēriet savus tokenus uz uzdevumu, nevis lasiet cenrādi un pieņemiet.

08Kā to izsaukt: trīs dialekti, viens modelis

Katrs vārtejas modelis atbild uz trim straumējošām API virsmām, tāpēc varat uz to pavērst esošu klientu, nepārrakstot integrāciju: /v1/chat/completions (OpenAI dialekts), /v1/messages (Anthropic dialekts) un /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."}
    ]
  }'

Iespēju kopsavilkums, lai integrācijas brīdī nekas jūs nepārsteidz:

Iespēja	Nemotron3Ultra · 3BIT-REAP
Konteksta logs	262,144 tokeni
Maks. izvade / pieprasījumā	16,384 tokeni
Straumēšana	Jā
Rīku izsaukšana	Jā
Spriešanas pēdas	Jā
reasoning_effort	Jā
json_schema (stingra)	Jā
response_format	Jā
Redze / attēlu ievade	Nē — tikai teksts
Atteikuma slānis	Nav

Redzes rinda cilvēkus pieķer: Nemotron3Ultra ir tikai teksts. Ja jūsu konveijers sūta attēlus, izmantojiet MiniMax-M3-3BIT-REAP vai MiMo-V2.5-W8A16 par $0.50/$2.00, vai Kimi-K2.6-W4A16-AUTOROUND-REAP par $0.78/$3.67 — visi ar redzi, visi necenzēti, visi uz tā paša 262,144 tokenu konteksta. Pilna parametru atsauce ir API dokumentācijā.

09Kur Nemotron3Ultra iederas starp divpadsmit

Katalogs ir divpadsmit necenzēti modeļi, kas dala vienu konteksta logu, tos pašus trīs dialektus un to pašu atteikuma slāņa neesamību; tie atšķiras pamatmodelī, cenā un iespējās. Nemotron pozīcija ir konkrēta: atvērtas cilmes spriešanas darba zirgs — ne lētākais, ne spējīgākais, bet tas, aiz kura uzvedības stāv visplašākā publiskā papīru taka un kas visstingrāk noskaņots STEM un aģentiem.

Modelis	Ievade / 1M	Izvade / 1M	Redze	Izvēlieties to, ja
MiniMax-M3 · 3BIT-REAP	$0.50	$2.00	Jā	Lētākā iespēja ar redzi
MiMo-V2.5-Pro · W8A16	$0.50	$2.00	Nē	Augstākās precizitātes kvantēšanas līmenis
GLM-5.2 · 3BIT-REAP	$0.73	$2.34	Nē	Lētākā spriešana uz liela pamatmodeļa
Nemotron3Ultra · 3BIT-REAP	$0.75	$3.30	Nē	STEM, aģenti, atvērta cilme
Kimi-K2.6 · W4A16-AUTOROUND-REAP	$0.78	$3.67	Jā	Redze + AutoRound precizitāte
DeepSeek-V4-Pro · 3BIT-REAP	$1.95	$3.90	Nē	Dziļa viena šāviena analīze
Kimi-K3 · 3BIT-REAP	$3.83	$19.12	Jā	Absolūtie spēju griesti

Parādīti septiņi no divpadsmit. Pilns katalogs — ieskaitot Laguna-S-2.1, inkling, DeepSeek-V4-Flash, MiMo-V2.5 un Hy3 — ir API dokumentācijā. Ņemiet vērā, ka Laguna-S-2.1 neatbalsta strukturētu izvadi un inkling neatbalsta json_schema; Nemotron3Ultra atbalsta abus.

Tuvākais kaimiņš pēc cenas ir GLM-5.2-3BIT-REAP par $0.73/$2.34, un godīgais salīdzinājums ir šāds: GLM-5.2 uz tokenu ir lētāks, īpaši izvadē. Nemotron nes publicētu treniņa korpusu, skaidru spriešanas budžeta grozāmpogu un saimes vēsturi, kas tēmēta uz doktorantūras līmeņa zinātni. Lielapjoma vispārīgai spriešanai palaidiet lētāko. STEM smagam, aģentiskam vai auditam pakļautam darbam, kur jautā, no kurienes modeļa uzvedība nākusi, Nemotron starpību nopelna.

10Biežāk uzdotie jautājumi

---

Avoti: NVIDIA Nemotron 3 Ultra tehniskais ziņojums · NVIDIA izstrādātāju blogs (2026. gada jūnijs) · Nemotron 3 Super arhitektūras piezīmes · Llama-Nemotron: Efficient Reasoning Models · Cerebras Research, REAP. Pamatmodeļa etaloni ir NVIDIA ziņoti par nesaspiesto modeli, ja vien nav attiecināti uz Artificial Analysis; saspiestās būves var atšķirties. Cenas un iespējas ir aktuālas uz 2026. gada 5. septembri.