بې سانسوره Nemotron API

ډېری «خلاص» ماډلونه یوازې خلاص وزنه دي او بس — د پیرامیټرونو یوه بسته، یو جواز، او د دې په اړه چوپتیا چې شمېرې له کومه راغلې. Nemotron دوه کاله کېږي چې همېشنی استثنا دی: NVIDIA وزنونه، د روزنې وروستي معلومات، د RL چاپېریالونه او ترکیب خپروي. دا د یوه بې سانسوره پای ټکي لپاره په داسې ډول مهم دی چې اسانه له پامه غورځي. هغه ماډل چې د همغږۍ معلومات يې خپاره شوي، د ردولو چلند يې د اټکل پرځای د استدلال وړ دی — او یوه دریمه ډله يې کولی شي په قانوني توګه پرته له دې چې د محتوا فلټر يې پر خوله ونښلوي، ځای پر ځای کړي.

01Nemotron 3 Ultra څه شی دی؟

Nemotron 3 Ultra د NVIDIA د Nemotron 3 ډلې تر ټولو لوی غړی دی، چې د 2026 د جون په 4 Hugging Face ته خپور شو. د NVIDIA تخنیکي راپور يې داسې بیانوي: «یو 550 میلیارده ټول او 55 میلیارده فعال پیرامیټره Mixture-of-Experts ګډ Mamba-Attention ژبنی ماډل» — نږدې 10% شبکه پر هر ورکړل شوي توکن کار کوي، او همدا هغه څه دي چې د نیم ټریلیون پیرامیټره ماډل خدمت اصلاً ممکن ګرځوي.

راپور شوی جوړښت 108 پرتونه دي په 8,192 ماډل ابعادو کې، چې د Mamba-2 د حالت-فضا پرتونه د بشپړې پاملرنې له یوې کمې ډلې سره ګډوي، په هر MoE پرت کې 512 متخصصان له لوړ-22 روټینګ سره. مخکینۍ روزنه پر نږدې 20 ټریلیون متني توکنو باندې په دوو پړاوونو کې وچلېده — لومړی د تنوع پر لور، بیا د کیفیت پر لور — د 2025 د سپټمبر د پرې کولو ټکي، 12 طبیعي ژبو او 43 برنامه ییزو ژبو سره. وروستنۍ روزنه له SFT، له تایید وړ بدلونونو سره څو چاپېریاله RL، او له لسو څخه د ډېرو تخصصي ښوونکو ترمنځ Multi-Teacher On-Policy Distillation وکارول. اعلان شوې ډیزاین موخه اوږد چلېدونکي اجنټان دي: هغه ناستې چې یو لوی متن ساتي، په لسګونو ځله وسیلو ته زنګ وهي، او دومره اوږد چلېږي چې په هر توکن اقتصاد پر بیل باندې واکمن شي.

02د Nemotron نسب، او ولې نسب مهم دی

Nemotron یو ځلي کار نه دی. دا د NVIDIA د یوه څېړنیز پروګرام څرګنده وتنه ده چې له 2024 راهیسې په همدې لور روان دی، او هر نسل يې یو څه پرېښي چې اوسنی ماډل يې لا هم لري. Nemotron-4 340B (د 2024 جون) له یوې خلاصې مصنوعي معلوماتو د تولید کړۍ، د خپل بدلون ماډل او تولیدوونکي سره خپور شو، جمع یوه غیرمعمولي څرګندونه: د همغږۍ د معلوماتو لویه برخه يې د ماډل له خوا جوړه شوې وه. ماډل د اوراکل پرځای د معلوماتو د فابریکې په توګه — همدا لامل دی چې وروستني Nemotron خپرونې له وزنونو سره یوځای معلومات هم لېږي.

Llama-Nemotron — هغه استدلال چې مړ کولی يې شئ

د 2025 کال د Llama-Nemotron ډلې (LN-Nano 8B، LN-Super 49B، LN-Ultra 253B) دوه داسې نظرونه ورکړل چې ښه پاتې شول. لومړی معمارياتي و: د NVIDIA Puzzle عصبي معماري لټون د بلاک په کچه ډیسټیل شویو ټرانسفارمر بلاکونو یوه کتابتون جوړ کړ او له مخلوط-انټیجر برنامه ییزوالي سره يې سره یوځای کړل، چې پایله يې داسې ماډلونه وو چې ځینې بلاکونه يې پاملرنه بېخي پرېږدي یا يې په یوه خطي پرت بدلوي، پداسې حال کې چې FFN Fusion پرله پسې فیډ-فارورډ بلاکونه په لږو، پلنو، موازي بلاکونو کې ټول کړل — د پیرامیټرونو د شمېر پرځای يې پرله پسې ژورتیا کمه کړه. LN-Ultra پر یوه 8×H100 نوډ باندې ځای شو او د NVIDIA د مقالې له مخې يې پر GPQA-Diamond باندې DeepSeek-R1 مخکې کړ (76.0% په مقابل کې 71.5%).

دویم چلندیز و: Llama-Nemotron لومړنۍ خلاصه ډله وه چې د استدلال متحرک تڼۍ يې لرله، چې د روزنې معلومات يې په سیستمي لارښوونه کې detailed thinking on یا detailed thinking off نښه کول، له داسې بڼه ییزو بدلونونو سره چې په فعال حالت کې يې د <think> نښې تطبیقولې. یوه ډله وزنونه، دوه چلندونه، د اټکل پر مهال د ټاکلو وړ. د Nemotron 3 د استدلال د بودیجې کنټرول — او زموږ پر API باندې د reasoning_effort پیرامیټر — مستقیماً له همدې کاره راځي.

Nemotron 3 — ګډ لور ته اوښتنه

Nemotron 3 د Llama څخه اخیستنه په یوه له سره ګډه معماري بدله کړه او LatentMoE (له روټینګ مخکې د توکنو فشارول، چې NVIDIA وايي «په هماغه اټکلي لګښت کې 4 ځله ډېر متخصصان» ممکنوي)، څو توکنیز وړاندوینه، او اصلي NVFP4 مخکینۍ روزنه ورزیاته کړه. NVIDIA له وزنونو سره یوځای ټولټال 50 میلیونه SFT نمونې، 2 میلیونه RL دندې او 55 RL چاپېریالونه خپاره کړل — تاسو ته اړتیا نشته چې د یوه پلورونکي خبره ومنئ چې ماډل ته څه ښودل شوي، ځکه چې ښوونیز مواد د ښکته کولو وړ دي.

03ګډه معماري تاسو ته څه اخلي

د یوه ټرانسفارمر KV کیش د لړۍ له اوږدوالي سره په خطي توګه لویېږي، او همدا لامل دی چې د اوږد متن اټکل د حساب دمخه په حافظه کې ګران شي. د Mamba-2 پرتونه د حالت-فضا ماډلونه دي چې یو ثابت اندازې تکراري حالت وړي، نو په هر توکن کې يې د حافظې لګښت له تاریخچې سره نه لویېږي؛ هغه څه چې پکې کمزوري دي، دقیقه تداعي بیا رایادونه ده. ګډ جوړښت د لړۍ د پروسس لپاره Mamba-2 ساتي، جمع د ریښتیني پاملرنې یوه لږکۍ برخه د هغې بیا رایادونې لپاره چې د حالت-فضا پرتونه پکې ټکنی کېږي، له یوه تېز 64-پوښتنیز-سر / 2-KV-سر تناسب سره چې کیش نور هم کوچنی کوي. NVIDIA پر 1M توکنو باندې پر RULER 94.7% راپور ورکوي — یو د ستنې د موندلو معیار چې ځکه جوړ شوی ترڅو هغه ماډلونه ونیسي چې د داسې کړکۍ ادعا کوي کومه چې نه شي کارولی.

پایله يې تېرښت دی: NVIDIA ادعا کوي چې په ورته دقت کې د پرتله وړ ماډلونو په پرتله تر نږدې 6× پورې لوړ اټکلي تېرښت لري، او Artificial Analysis په خپلواکه توګه په هره ثانیه 140.3 توکنه اندازه کړل، له 1.33 ثانیو سره د لومړي توکن تر وخته — د 89 ماډلونو له ډلې 7م. پر یوه 200 دوره ییز اجنټي چلند باندې دا هغه توپیر دی چې یا يې په یوه ماسپښین بشپړوئ یا يې بېخي نه بشپړوئ.

04«3BIT-REAP» په رښتیا څه معنا لري

تاړی سینګار نه دی — دا تاسو ته سم وايي چې بنسټ ته څه وشول ترڅو ځای شي.

REAP — Router-weighted Expert Activation Pruning — د Cerebras Research له خوا راغلی او ICLR 2026 ته منل شوی. په یوه کثیف MoE کې روټر هر توکن یو څو متخصصانو ته لېږي؛ پر یوه ریښتیني کاري بار باندې ځینې يې دوامداره وهل کېږي او نور يې نږدې هېڅکله. REAP هر متخصص په یوه بارز معیار سره ارزوي چې روټر يې څومره ټینګ دروازه کوي او د وتنې ونډې يې څومره لویې دي سره یوځای کوي، بیا تر ټولو لږ بارز په مستقیم ډول لرې کوي — Cerebras راپور ورکوي چې تر 1 ټریلیون پیرامیټره لویو ماډلونو څخه يې تر 50% پورې متخصصان کټ کړي دي، په داسې حال کې چې د بنسټ کیفیت يې تر ډېره ساتلی، او موندلي يې دي چې د تولیدي دندو لپاره لکه کوډ، کټول تر یوځای کولو غوره دي. بیا 3-بیټه کوانټایزېشن هغه څه فشاروي چې پاتې شوي. لومړی کټول، دویم کوانټایزول، ترڅو د بیټ بودیجه هغو متخصصانو ته ولاړه شي چې ترافیک وړي، نه دا چې پر مړو باندې وغوړېږي.

فشارول وړیا نه دي، او موږ به بل څه ونه وایو: تېز کوانټایزېشن لومړی د دقیقې بڼې د مراعاتولو او د اوږدې زنځیر ییزې ریاضي په کوچنیو کمښتونو کې ښکاري، نه د لیدلو وړ بې همغږۍ په بڼه. درې پوړونه چېرته ولاړ دي:

تاړی	دا څه دی	چېرته يې کاروو
3BIT-REAP	3-بیټه وزنونه + د متخصصانو کټول	تر ټولو لوی بنسټونه، چېرته چې بل هېڅ شی په سرعت سره نه ځایېږي
W4A16-AUTOROUND-REAP	4-بیټه وزنونه / 16-بیټه فعالېدنې، د AutoRound زده شوې ګردوالی، + کټول	منځنی اندازه بنسټونه؛ AutoRound د ساده ګرد کولو په پرتله دقت بېرته اخلي
W8A16	8-بیټه وزنونه / 16-بیټه فعالېدنې	تر ټولو لوړه وفاداري؛ هغه بنسټونه چې دومره کوچني دي چې تېز فشار ته اړتیا نلري

Nemotron 3 Ultra په 550B کې په سمه توګه په لومړۍ کټګورۍ کې دی. که ستاسو کاري بار پر اوږدو زنځیرونو باندې د دقیق عددي وتنې په اړه غیرمعمولي حساس وي، د څېړنې فهرست د W8A16 پوړ لیستوي — MiMo-V2.5-Pro-W8A16 او Hy3-W8A16 — د $0.50/$2.00 پر فرش. یوه ریښتینې سودا، نه یوه قیف: کوچنی ماډل، لږ فشار.

05پر دې پای ټکي باندې «بې سانسوره» څه معنا لري

په ټاکلي ډول: د ردولو پرت نشته او پر وتنه باندې د محتوا هېڅ فلټر نه لګېږي. هېڅ ډلبندونکی ستاسو غوښتنه نه ګوري چې یو ډبه ییز رد بېرته درکړي، او ځواب ستاسو سټریم ته له رسېدو دمخه نه سکن کېږي. هغه څه چې تاسو يې اخلئ د ماډل خپل چلند دی.

همدلته ده چې خلاص نسب له بې ارزښته معلوماته پورته کېږي. ځکه چې NVIDIA د روزنې وروستني معلومات او د RL چاپېریالونه خپاره کړل، د ماډل چلندونه په اصولو کې د پلټنې وړ دي، نه یوازې کیسې. او ځکه چې OpenMDW-1.1 د Linux Foundation یو پرانیستی جواز دی چې معماري، پیرامیټرونه، اسناد او سافټویر پوښي، یو خپلواک چلوونکی کولی شي یو بدل شوی، بې فلټره ځای پر ځای کول پر خپل هارډویر باندې خدمت کړي، پرته له دې چې جواز خنډ شي. ډېری د «خلاصو» ماډلونو جوازونه دا نه پرېږدي. دا يې پرېږدي. توپیر هلته ښکاري چېرته چې انعکاسي ردول یوه ستونزه ده، نه د خوندیتوب ځانګړنه:

• امنیتي څېړنه — د زیانمنتیا شننه، د استثمار استدلال، د مالویر چلند، د سرې ډلې وسیلې، پرته له دې چې پر دې جګړه وشي چې پوښتنه اجازه لري که نه.
• کیمیا، ژوندپوهنه او درملپوهنه — د اندازې ریاضي، د تعاملاتو میکانیزمونه، زهرپوهنه، د ترکیب هغه لارې چې یو فلټر شوی پای ټکی يې د یوې کلیمې پر لیدو ردوي.
• مخالف ML — سخت منفي بېلګې، د جیل ماتولو ټولګې او د ناوړه ګټنې ډلبندۍ د هغو ډلبندونکو لپاره چې باید ریښتینې بېلګه لیدلې وي.
• کلینیکي، حقوقي او عدلي متن — هغه قضیه یز مواد چې په طبیعت کې سخت دي او په سمه توګه د همدې لپاره ردېږي.

بې سانسوره یعنې بې مسؤلیته نه. تاسو د هغه څه مالک یاست چې جوړوئ يې، او زموږ د مسؤلانه کارونې پالیسي او د خدمت شرایط پر حساب باندې واکمن دي. د ردولو د پرت لرې کول د نیت په اړه یو اټکل لرې کوي؛ هغه مکلفیتونه نه لرې کوي چې پر تاسو باندې د تطبیق وړ قانون درباندې ږدي.

06STEM او استدلال: خپرې شوې شمېرې څه وايي

د Nemotron د روزنې تمرکز له هغه وخته راهیسې ریاضي، کوډ، ساینس او د لارښوونې پیروي ده چې د Llama-Nemotron د وروستنۍ روزنې معلومات په سمه توګه د همدې څلورو محورونو په شاوخوا کې جوړ شول. هغه څه چې NVIDIA د Nemotron 3 Ultra بنسټ لپاره راپور کوي — پر بې فشاره ماډل باندې د پلورونکي راپور شوې شمېرې، چې موږ نه دي چلولې:

دوه احتیاطونه چې تر شمېرو ارزښتناک دي. د SWE-Bench Verified شمېره یوه سلسله ده — NVIDIA 65.0% تر 70.4% پورې راپور کوي، پورې اړه لري چې کوم اجنټي داربست يې چلوي (Pi، OpenHands، Hermes، OpenCode، Mini SWE Agent)، او یوازې له داربسته یوه پنځه ټکیزه واټن ښیي چې اجنټي شمېرې څومره پر داربست پورې اړه لري نه پر ماډل. او Artificial Analysis Nemotron 3 Ultra پر خپل Intelligence Index باندې په 48 کې، د 89 ماډلونو له ډلې 9م ځای کړ — پیاوړی، نه د ډګر سر، او د دوی خپلواکه اندازه کول هغه دي چې موږ به يې د هر پلورونکي پر سلایډ باندې غوره وګڼو.

پر پخواني نسل باندې، د NVIDIA د Llama-Nemotron مقاله LN-Ultra پر GPQA-Diamond باندې 76.0% راپوروي په مقابل کې د DeepSeek-R1 71.5% او د Llama-3.1-405B-Instruct 43.4%، جمع پر AIME 2024 باندې 80.8% — یو بل ماډل، چې ځکه شامل شو ځکه چې د لوړو زده کړو ساینس او سیالۍ ریاضي دوه نسله د دې ډلې موخه وه.

د معیارونو شمېرې هغسې دي لکه NVIDIA (د 2026 جون) چې پر بې فشاره Nemotron 3 Ultra باندې خپرې کړې، او د خپلواکو اندازه کولو لپاره د Artificial Analysis له خوا. فشار شوي جوړښتونه به توپیر ولري. موږ هغه معیاري شمېرې نه خپروو چې موږ تایید کړې نه وي یا يې سرچینه ونه ښودلی شو.

07بیه، او د اوږدوالي احتیاط

په هر میلیون دننه توکنو $0.75 او هر میلیون بهر توکنو $3.30 کې، Nemotron3Ultra پر دننه کې زموږ د کتلاګ په ښکته دریمه برخه کې او پر بهر کې په منځ کې ناست دی. کاري بېلګې، ځکه چې په هر میلیون کې بیه احساسول ګران دي:

د بلنې بڼه	دننه	بهر	لګښت
معمولي RAG دوره	50,000	4,000	$0.051
د اوږد سند شننه	150,000	8,000	$0.139
تر ټولو لویه بلنه	262,144	16,384	$0.251

یوه بشپړ-متنه، بشپړ-وتنه غوښتنه — هر هغه توکن چې پای ټکی يې مني او هر هغه توکن چې جوړوي يې — نږدې 25 سنټه لګښت لري. هماغه بڼه پر Kimi-K3-3BIT-REAP باندې، زموږ تر ټولو ګران ماډل په $3.83/$19.12 کې، نږدې $1.32 لګښت لري، یا 5.3× ډېر.

اوس احتیاط، او دا ریښتینی دی. Artificial Analysis اندازه کړه چې Nemotron 3 Ultra پر خپلې معیاري ټولګې باندې د منځني همتا په پرتله 2.3× ډېر وتونکي توکنه جوړوي. استدلالي ماډلونه تاسو ته د فکر کولو بیل هم درکوي، او دا يې اوږد فکر کوي؛ په هر توکن کې د بیې ګټه په هر دنده کې په زیان بدلېږي که ماډل درې ځله اوږد استدلال وکړي ترڅو هماغه ځواب ته ورسېږي. کمزوري کوونکی په خپله کې جوړ دی او زموږ پر API باندې څرګند دی: Nemotron 3 د د استدلال د بودیجې کنټرول لپاره وروسته روزل شوی، او reasoning_effort دلته ملاتړ کېږي — NVIDIA یو ټیټ-هڅې حالت بیانوي چې د یوې یو رقمي دقت د سودا په بدل کې د پام وړ لږ فکري توکنه کاروي. پر ډلبندۍ، استخراج او روټینګ باندې يې ښکته کړئ او اقتصاد په جدي توګه بدلېږي؛ پر یوه ثبوت یا څو دوسیه یز بیا جوړولو باندې يې پورته کړئ او په قصده توګه ورته پیسې ورکړئ. د بیو لیست د لوستلو او اټکل کولو پرځای خپل په هر دنده کې توکنه اندازه کړئ.

08ورته زنګ وهل: درې ژبې، یو ماډل

پر ګېټوې باندې هر ماډل پر درېیو سټریمینګ API سطحو باندې ځواب ورکوي، نو تاسو کولی شئ یو موجود کلاینټ ورته ونیسئ پرته له دې چې خپله یوځای کول له سره ولیکئ: /v1/chat/completions (د OpenAI ژبه)، /v1/messages (د Anthropic ژبه)، او /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."}
    ]
  }'

د وړتیاوو لنډیز، ترڅو د یوځای کولو پر مهال هېڅ شی تاسو حیران نه کړي:

وړتیا	Nemotron3Ultra · 3BIT-REAP
متنیزه کړکۍ	262,144 توکنه
تر ټولو لویه وتنه / غوښتنه	16,384 توکنه
سټریمینګ	هو
د وسیلو زنګ وهل	هو
استدلالي نښې	هو
reasoning_effort	هو
json_schema (سخت)	هو
response_format	هو
لید / د انځور ننوتنه	نه — یوازې متن
د ردولو پرت	هېڅ

د لید کرښه خلک نیسي: Nemotron3Ultra یوازې متن دی. که ستاسو کړۍ انځورونه لېږي، په $0.50/$2.00 کې MiniMax-M3-3BIT-REAP یا MiMo-V2.5-W8A16 وکاروئ، یا په $0.78/$3.67 کې Kimi-K2.6-W4A16-AUTOROUND-REAP — ټول د لید وړ، ټول بې سانسوره، ټول پر هماغه 262,144 توکنیز متن باندې. د پیرامیټرونو بشپړ سرچینه په د API اسنادو کې ده.

09Nemotron3Ultra د دولسو په منځ کې چېرته ځایېږي

کتلاګ دولس بې سانسوره ماډلونه دي چې هماغه متنیزه کړکۍ، هماغه درې ژبې او د ردولو د پرت هماغه نشتوالی شریکوي؛ توپیر يې په بنسټ، بیه او وړتیا کې دی. د Nemotron ځای ټاکلی دی: د خلاص نسب استدلالي کارګر — نه تر ټولو ارزانه، نه تر ټولو وړ، بلکې هغه چې د خپل چلند تر شا يې تر ټولو عامه کاغذي لار ده، او تر ټولو کلک د STEM او اجنټانو پر لور تنظیم شوی.

ماډل	دننه / 1M	بهر / 1M	لید	د دې لپاره يې وټاکئ
MiniMax-M3 · 3BIT-REAP	$0.50	$2.00	هو	تر ټولو ارزانه د لید وړ انتخاب
MiMo-V2.5-Pro · W8A16	$0.50	$2.00	نه	تر ټولو لوړ وفادار کوانټایزېشن پوړ
GLM-5.2 · 3BIT-REAP	$0.73	$2.34	نه	تر ټولو ارزانه لوی بنسټ استدلال
Nemotron3Ultra · 3BIT-REAP	$0.75	$3.30	نه	STEM، اجنټان، خلاص نسب
Kimi-K2.6 · W4A16-AUTOROUND-REAP	$0.78	$3.67	هو	لید + د AutoRound وفاداري
DeepSeek-V4-Pro · 3BIT-REAP	$1.95	$3.90	نه	ژوره یو ځلي شننه
Kimi-K3 · 3BIT-REAP	$3.83	$19.12	هو	د وړتیا مطلقه چت

له دولسو څخه اوه ښودل شوي. بشپړ کتلاګ — چې Laguna-S-2.1، inkling، DeepSeek-V4-Flash، MiMo-V2.5 او Hy3 پکې شامل دي — په د API اسنادو کې دی. په یاد ولرئ چې Laguna-S-2.1 د جوړښتي وتنې ملاتړ نه کوي او inkling د json_schema ملاتړ نه کوي؛ Nemotron3Ultra دواړه ملاتړ کوي.

د بیې له مخې تر ټولو نږدې ګاونډی GLM-5.2-3BIT-REAP دی په $0.73/$2.34 کې، او رښتینې پرتله دا ده: GLM-5.2 په هر توکن کې ارزانه دی، په ځانګړي ډول پر وتنه. Nemotron یوه خپره شوې روزنیزه ټولګه، د استدلال د بودیجې یوه څرګنده ګرځنده، او یوه کورنۍ تاریخچه راوړي چې د لوړو زده کړو ساینس ته نښه شوې. لوړ حجم عمومي استدلال: ارزانه يې وچلوئ. د STEM درانه، اجنټي، یا د داسې پلټنې تابع چې پوښتي د ماډل چلند له کومه راغلی: Nemotron توپیر ګټي.

10ډېرې پوښتل شوې پوښتنې

---

سرچینې: د NVIDIA Nemotron 3 Ultra تخنیکي راپور · د NVIDIA د پرمختیا کوونکو بلاګ (د 2026 جون) · د Nemotron 3 Super معماري یادښتونه · Llama-Nemotron: Efficient Reasoning Models · Cerebras Research، REAP. د بنسټ معیارونه پر بې فشاره ماډل باندې د NVIDIA راپور شوي دي، مګر دا چې Artificial Analysis ته منسوب شوي وي؛ فشار شوي جوړښتونه به توپیر ولري. بیې او وړتیاوې د 2026 د سپټمبر تر 5 پورې اوسنۍ دي.