Nieocenzurowane API Nemotron

Większość „otwartych” modeli jest otwarta wagowo i na tym koniec — archiwum parametrów, licencja i milczenie o tym, skąd wzięły się liczby. Nemotron jest konsekwentnym wyjątkiem od dwóch lat: NVIDIA wypuszcza wagi, zbiory danych po treningu, środowiska RL i recepturę. Dla nieocenzurowanego endpointu ma to znaczenie, które łatwo przeoczyć. Model, którego dane alignmentowe są opublikowane, to model, o którego zachowaniach odmownych można wnioskować, zamiast je zgadywać — i taki, który strona trzecia może legalnie wdrożyć bez filtra treści przykręconego mu do ust.

01Czym jest Nemotron 3 Ultra?

Nemotron 3 Ultra to największy członek rodziny Nemotron 3 od NVIDIA, wydany na Hugging Face 4 czerwca 2026. Raport techniczny NVIDIA opisuje go jako „model językowy Mixture-of-Experts typu Hybrid Mamba-Attention o 550 miliardach parametrów łącznie i 55 miliardach aktywnych” — na dowolnym tokenie pracuje mniej więcej 10% sieci, i to właśnie czyni model o pół biliona parametrów w ogóle możliwym do serwowania.

Raportowany układ to 108 warstw przy wymiarze modelu 8,192, z przeplataniem warstw przestrzeni stanów Mamba-2 z rzadkim zestawem warstw pełnej uwagi, 512 ekspertów na warstwę MoE i routing top-22. Pretrening objął mniej więcej 20 bilionów tokenów tekstu w dwóch fazach — najpierw z przechyłem na różnorodność, potem na jakość — z odcięciem we wrześniu 2025, 12 językami naturalnymi i 43 językami programowania. Po treningu użyto SFT, wielośrodowiskowego RL z weryfikowalnymi nagrodami oraz wieloetapowej destylacji on-policy od wielu nauczycieli z ponad dziesięciu modeli specjalistycznych. Deklarowanym celem projektowym są długo działający agenci: sesje, które trzymają duży kontekst, wywołują narzędzia dziesiątki razy i trwają na tyle długo, że o rachunku decyduje ekonomia pojedynczego tokena.

02Rodowód Nemotrona i dlaczego ten dorobek ma znaczenie

Nemotron nie jest jednorazowym strzałem. To widoczny efekt programu badawczego NVIDIA, który od 2024 roku idzie w tym samym kierunku, a każda generacja zostawiła coś, co obecny model nadal ze sobą niesie. Nemotron-4 340B (czerwiec 2024) przyszedł z otwartym potokiem generowania danych syntetycznych, modelem nagrody i generatorem, a do tego z nietypowym ujawnieniem: przytłaczająca większość jego danych alignmentowych została wygenerowana przez model. Model jako fabryka danych, a nie wyrocznia — dlatego późniejsze wydania Nemotrona wciąż publikują zbiory danych obok wag.

Llama-Nemotron — rozumowanie, które da się wyłączyć

Rodzina Llama-Nemotron z 2025 roku (LN-Nano 8B, LN-Super 49B, LN-Ultra 253B) wniosła dwa pomysły, które dobrze się zestarzały. Pierwszy był architektoniczny: przeszukiwanie architektur Puzzle od NVIDIA zbudowało bibliotekę blokowo destylowanych bloków transformerowych i złożyło je programowaniem mieszanym całkowitoliczbowym, dając modele, w których część bloków całkowicie pomija uwagę albo zastępuje ją pojedynczą warstwą liniową, podczas gdy FFN Fusion zwijało kolejne bloki feed-forward w mniej liczne, szersze i równoległe — obcinając głębokość sekwencyjną, a nie liczbę parametrów. LN-Ultra mieścił się na pojedynczym węźle 8×H100, a według artykułu NVIDIA przewyższał DeepSeek-R1 na GPQA-Diamond (76.0% wobec 71.5%).

Drugi był behawioralny: Llama-Nemotron był pierwszą otwartą rodziną z dynamicznym przełącznikiem rozumowania, oznaczającą dane treningowe w instrukcji systemowej jako detailed thinking on albo detailed thinking off, z nagrodami za format wymuszającymi znaczniki <think> w trybie włączonym. Jeden zestaw wag, dwa zachowania, wybierane w czasie wnioskowania. Kontrola budżetu rozumowania w Nemotron 3 — i parametr reasoning_effort w naszym API — wywodzą się wprost z tamtej pracy.

Nemotron 3 — zwrot ku hybrydzie

Nemotron 3 zastąpił derywację z Llamy hybrydową architekturą pisaną od zera i dołożył LatentMoE (kompresję tokenów przed routingiem, która według NVIDIA pozwala na „4x więcej ekspertów przy tym samym koszcie wnioskowania”), predykcję wielu tokenów oraz natywny pretrening w NVFP4. Obok wag NVIDIA opublikowała łącznie 50 milionów próbek SFT, 2 miliony zadań RL i 55 środowisk RL — nie musisz wierzyć dostawcy na słowo, czego model został nauczony, bo materiał do nauki można pobrać.

03Co daje ci hybrydowa architektura

Pamięć podręczna KV transformera rośnie liniowo z długością sekwencji i dlatego wnioskowanie na długim kontekście robi się drogie w pamięci wcześniej niż w obliczeniach. Warstwy Mamba-2 to modele przestrzeni stanów niosące rekurencyjny stan o stałym rozmiarze, więc ich koszt pamięci na token nie rośnie wraz z historią; słabe są za to w precyzyjnym przywoływaniu skojarzeniowym. Hybryda zostawia Mamba-2 do gros przetwarzania sekwencji plus mniejszość prawdziwych warstw uwagi do przywołań, z którymi warstwy przestrzeni stanów sobie nie radzą, przy agresywnym stosunku 64 głowic zapytań do 2 głowic KV, który jeszcze bardziej kurczy cache. NVIDIA raportuje 94.7% na RULER przy 1M tokenów — benchmark szukania igły w stogu siana zbudowany po to, by wyłapać modele deklarujące okno, z którego nie potrafią skorzystać.

Konsekwencją jest przepustowość: NVIDIA twierdzi, że przepustowość wnioskowania jest do mniej więcej 6× wyższa niż w porównywalnych modelach przy zbliżonej dokładności, a Artificial Analysis niezależnie zmierzyło 140.3 tokena na sekundę przy czasie do pierwszego tokena 1.33 sekundy — 7. miejsce na 89 modeli. Przy przebiegu agenta na 200 tur to różnica między skończeniem po południu a nieskończeniem w ogóle.

04Co naprawdę oznacza „3BIT-REAP”

Sufiks nie jest ozdobą — mówi dokładnie, co zrobiono z fundamentem, żeby się zmieścił.

REAP — Router-weighted Expert Activation Pruning — pochodzi z Cerebras Research i został przyjęty na ICLR 2026. W rzadkim MoE router wysyła każdy token do garstki ekspertów; przy prawdziwym obciążeniu część z nich jest trafiana bez przerwy, a inne prawie nigdy. REAP ocenia każdego eksperta kryterium istotności łączącym to, jak mocno bramkuje go router, z tym, jak duży jest jego wkład w wyjście, a potem wprost usuwa najmniej istotnych — Cerebras raportuje przycięcie do 50% ekspertów w modelach tak dużych jak bilion parametrów przy zachowaniu w dużej mierze bazowej jakości i stwierdza, że dla zadań generatywnych, takich jak kod, przycinanie wygrywa ze scalaniem. Kwantyzacja 3-bitowa kompresuje następnie to, co przetrwało. Najpierw przycinanie, potem kwantyzacja, żeby budżet bitów szedł do ekspertów obsługujących ruch, zamiast rozmazywać się po martwych.

Kompresja nie jest darmowa i nie będziemy udawać inaczej: agresywna kwantyzacja objawia się najpierw drobnymi spadkami w trzymaniu dokładnego formatu i w długich łańcuchach arytmetycznych, a nie widoczną niespójnością. Gdzie lądują trzy poziomy:

Sufiks	Czym jest	Gdzie go używamy
3BIT-REAP	Wagi 3-bitowe + przycinanie ekspertów	Największe fundamenty, gdzie nic innego nie zmieści się z zachowaniem szybkości
W4A16-AUTOROUND-REAP	Wagi 4-bitowe / aktywacje 16-bitowe, wyuczone zaokrąglanie AutoRound, + przycinanie	Fundamenty średniej wielkości; AutoRound odzyskuje dokładność wobec naiwnego zaokrąglania do najbliższego
W8A16	Wagi 8-bitowe / aktywacje 16-bitowe	Najwyższa wierność; fundamenty na tyle małe, że nie potrzebują agresywnej kompresji

Nemotron 3 Ultra z 550B parametrów należy jednoznacznie do pierwszej kategorii. Jeśli twoje obciążenie jest wyjątkowo wrażliwe na dokładne wyjście numeryczne w długich łańcuchach, indeks badań wymienia poziom W8A16 — MiMo-V2.5-Pro-W8A16 i Hy3-W8A16 — przy podłodze $0.50/$2.00. To realny kompromis, a nie lejek sprzedażowy: mniejszy model, mniejsza kompresja.

05Co znaczy „nieocenzurowany” na tym endpoincie

Konkretnie: nie ma warstwy odmów ani filtrowania treści nałożonego na wyjście. Żaden klasyfikator nie prześwietla twojego promptu, żeby zwrócić gotową odmowę, a odpowiedź nie jest skanowana, zanim trafi do twojego strumienia. Dostajesz własne zachowanie modelu.

Tu otwarty rodowód przestaje być ciekawostką. Ponieważ NVIDIA opublikowała dane po treningu i środowiska RL, dyspozycje modelu są z zasady audytowalne, a nie folklorystyczne. A ponieważ OpenMDW-1.1 to permisywna licencja Linux Foundation obejmująca architekturę, parametry, dokumentację i oprogramowanie, niezależny operator może serwować zmodyfikowane, niefiltrowane wdrożenie na własnym sprzęcie bez tego, by licencja stanowiła przeszkodę. Wiele licencji „otwartych” modeli na to nie pozwala. Ta pozwala. Różnica ujawnia się tam, gdzie odruchowa odmowa jest błędem, a nie funkcją bezpieczeństwa:

• Badania bezpieczeństwa — analiza podatności, rozumowanie o exploitach, zachowanie malware, narzędzia red team, bez sporów o to, czy pytanie jest dozwolone.
• Chemia, biologia i farmakologia — obliczenia dawek, mechanizmy reakcji, toksykologia, ścieżki syntezy, które filtrowany endpoint odrzuca na sam kontakt ze słowem kluczowym.
• Adwersaryjne ML — trudne negatywy, korpusy jailbreaków i taksonomie nadużyć dla klasyfikatorów, które muszą zobaczyć rzecz prawdziwą.
• Tekst kliniczny, prawny i kryminalistyczny — materiał sprawy, który z natury jest drastyczny i dokładnie z tego powodu bywa odrzucany.

Nieocenzurowany nie znaczy bezkarny. Jesteś właścicielem tego, co wygenerujesz, a konto podlega naszej Polityce Odpowiedzialnego Korzystania i Regulaminowi. Usunięcie warstwy odmów usuwa zgadywanie intencji; nie usuwa twoich obowiązków wynikających z prawa, które cię obowiązuje.

06STEM i rozumowanie: co mówią opublikowane liczby

Trening Nemotrona skupia się na matematyce, kodzie, nauce i podążaniu za instrukcjami, odkąd zbiór danych po treningu Llama-Nemotron został zbudowany wokół dokładnie tych czterech osi. Co NVIDIA raportuje dla fundamentu Nemotron 3 Ultra — liczby podane przez dostawcę dla nieskompresowanego modelu, których sami nie uruchamialiśmy:

Dwa zastrzeżenia warte więcej niż same liczby. Wynik SWE-Bench Verified to zakres — NVIDIA raportuje od 65.0% do 70.4% w zależności od tego, która obudowa agentowa go uruchamia (Pi, OpenHands, Hermes, OpenCode, Mini SWE Agent), a pięciopunktowy rozrzut wynikający z samego rusztowania pokazuje, jak bardzo wyniki agentowe zależą od obudowy, a nie od modelu. Artificial Analysis umieściło zaś Nemotron 3 Ultra na 48 punktach swojego Intelligence Index, 9. miejsce na 89 modeli — mocno, ale nie na szczycie stawki, a ich niezależny pomiar jest tym, któremu przyznalibyśmy większą wagę niż jakiemukolwiek slajdowi dostawcy.

Dla wcześniejszej generacji artykuł NVIDIA o Llama-Nemotron podaje dla LN-Ultra 76.0% na GPQA-Diamond wobec 71.5% DeepSeek-R1 i 43.4% Llama-3.1-405B-Instruct, plus 80.8% na AIME 2024 — to inny model, przytoczony dlatego, że nauka na poziomie studiów doktoranckich i matematyka konkursowa są celem tej rodziny od dwóch generacji.

Wyniki benchmarków tak, jak opublikowała je NVIDIA (czerwiec 2026) dla nieskompresowanego Nemotron 3 Ultra, oraz Artificial Analysis dla pomiarów niezależnych. Skompresowane kompilacje mogą się różnić. Nie publikujemy liczb benchmarkowych, których nie zweryfikowaliśmy albo których nie potrafimy przypisać do źródła.

07Cena i zastrzeżenie o gadatliwości

Przy $0.75 za milion tokenów wejściowych i $3.30 za milion tokenów wyjściowych Nemotron3Ultra plasuje się w dolnej jednej trzeciej naszego katalogu na wejściu i pośrodku na wyjściu. Wyliczone przykłady, bo cenę za milion trudno wyczuć:

Kształt wywołania	Wejście	Wyjście	Koszt
Typowa tura RAG	50,000	4,000	$0.051
Analiza długiego dokumentu	150,000	8,000	$0.139
Wywołanie maksymalnej wielkości	262,144	16,384	$0.251

Żądanie z pełnym kontekstem i pełnym wyjściem — każdy token, jaki endpoint przyjmie, i każdy, jaki wyprodukuje — kosztuje około 25 centów. Ten sam kształt na Kimi-K3-3BIT-REAP, naszym najdroższym modelu za $3.83/$19.12, kosztuje około $1.32, czyli 5.3× więcej.

Teraz zastrzeżenie, i jest ono realne. Artificial Analysis zmierzyło, że Nemotron 3 Ultra generuje 2.3× więcej tokenów wyjściowych niż mediana konkurentów w całym swoim zestawie benchmarków. Modele rozumujące liczą sobie za myślenie, a ten myśli długo; przewaga w cenie za token wyparowuje w niekorzyść w cenie za zadanie, jeśli model rozumuje trzy razy dłużej, by dojść do tej samej odpowiedzi. Środek zaradczy jest wbudowany i wystawiony w naszym API: Nemotron 3 był po treningu przygotowany pod kontrolę budżetu rozumowania, a reasoning_effort jest tu obsługiwany — NVIDIA opisuje tryb niższego wysiłku zużywający istotnie mniej tokenów myślenia kosztem jednocyfrowego spadku dokładności. Przy klasyfikacji, ekstrakcji i routingu zejdź niżej, a ekonomia zmienia się znacząco; przy dowodzie albo refaktoryzacji wielu plików podkręć go i zapłać za to świadomie. Mierz własne tokeny na zadanie, zamiast czytać cennik i zakładać.

08Jak to wywołać: trzy dialekty, jeden model

Każdy model w bramie odpowiada na trzech streamingowych powierzchniach API, więc możesz skierować na niego istniejącego klienta bez przepisywania integracji: /v1/chat/completions (dialekt OpenAI), /v1/messages (dialekt Anthropic) 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."}
    ]
  }'

Podsumowanie możliwości, żeby nic cię nie zaskoczyło przy integracji:

Możliwość	Nemotron3Ultra · 3BIT-REAP
Okno kontekstu	262,144 tokeny
Maks. wyjście na żądanie	16,384 tokeny
Streaming	Tak
Wywoływanie narzędzi	Tak
Ślady rozumowania	Tak
reasoning_effort	Tak
json_schema (ścisły)	Tak
response_format	Tak
Wizja / wejście obrazowe	Nie — tylko tekst
Warstwa odmów	Brak

Wiersz o wizji łapie ludzi: Nemotron3Ultra działa wyłącznie na tekście. Jeśli twój potok wysyła obrazy, użyj MiniMax-M3-3BIT-REAP albo MiMo-V2.5-W8A16 za $0.50/$2.00, albo Kimi-K2.6-W4A16-AUTOROUND-REAP za $0.78/$3.67 — wszystkie z wizją, wszystkie nieocenzurowane, wszystkie na tym samym kontekście 262,144 tokenów. Pełne odniesienie do parametrów znajduje się w dokumentacji API.

09Gdzie Nemotron3Ultra mieści się wśród dwunastu

Katalog to dwanaście nieocenzurowanych modeli dzielących to samo okno kontekstu, te same trzy dialekty i ten sam brak warstwy odmów; różnią się fundamentem, ceną i możliwościami. Pozycja Nemotrona jest konkretna: koń roboczy rozumowania z otwartym rodowodem — nie najtańszy, nie najzdolniejszy, ale ten z najobszerniejszym publicznym śladem dokumentacyjnym za swoim zachowaniem, nastrojony najmocniej pod STEM i agentów.

Model	Wejście / 1M	Wyjście / 1M	Wizja	Wybierz go do
MiniMax-M3 · 3BIT-REAP	$0.50	$2.00	Tak	Najtańsza opcja z wizją
MiMo-V2.5-Pro · W8A16	$0.50	$2.00	Nie	Poziom kwantyzacji o najwyższej wierności
GLM-5.2 · 3BIT-REAP	$0.73	$2.34	Nie	Najtańsze rozumowanie na dużym fundamencie
Nemotron3Ultra · 3BIT-REAP	$0.75	$3.30	Nie	STEM, agenci, otwarty rodowód
Kimi-K2.6 · W4A16-AUTOROUND-REAP	$0.78	$3.67	Tak	Wizja + wierność AutoRound
DeepSeek-V4-Pro · 3BIT-REAP	$1.95	$3.90	Nie	Głęboka analiza za jednym podejściem
Kimi-K3 · 3BIT-REAP	$3.83	$19.12	Tak	Absolutny sufit możliwości

Pokazano siedem z dwunastu. Pełny katalog — w tym Laguna-S-2.1, inkling, DeepSeek-V4-Flash, MiMo-V2.5 i Hy3 — jest w dokumentacji API. Zwróć uwagę, że Laguna-S-2.1 nie obsługuje wyjścia strukturalnego, a inkling nie obsługuje json_schema; Nemotron3Ultra obsługuje jedno i drugie.

Najbliższym sąsiadem cenowo jest GLM-5.2-3BIT-REAP za $0.73/$2.34, a uczciwe porównanie brzmi tak: GLM-5.2 jest tańszy na token, zwłaszcza na wyjściu. Nemotron wnosi opublikowany korpus treningowy, jawne pokrętło budżetu rozumowania i historię rodziny wycelowaną w naukę na poziomie studiów doktoranckich. Wysokowolumenowe rozumowanie ogólne: uruchom tańszy. Ciężkie STEM, agentowość albo audyt pytający, skąd wzięło się zachowanie modelu: Nemotron zarabia na tę różnicę.

10Najczęściej zadawane pytania

---

Źródła: raport techniczny NVIDIA Nemotron 3 Ultra · blog deweloperski NVIDIA (czerwiec 2026) · noty architektoniczne Nemotron 3 Super · Llama-Nemotron: Efficient Reasoning Models · Cerebras Research, REAP. Benchmarki fundamentu są raportowane przez NVIDIA dla nieskompresowanego modelu, chyba że przypisano je do Artificial Analysis; skompresowane kompilacje mogą się różnić. Ceny i możliwości są aktualne na dzień 5 września 2026.