API Nemotron sem censura

A maioria dos modelos "abertos" é de pesos abertos e nada mais — um tarball de parâmetros, uma licença e silêncio sobre a origem dos números. O Nemotron é a exceção constante há dois anos: a NVIDIA entrega os pesos, os conjuntos de dados de pós-treinamento, os ambientes de RL e a receita. Isso importa para um endpoint sem censura de um jeito fácil de não notar. Um modelo cujos dados de alinhamento são públicos é um modelo cujo comportamento de recusa você pode analisar em vez de adivinhar — e um que um terceiro pode legitimamente implantar sem um filtro de conteúdo parafusado na boca.

01O que é o Nemotron 3 Ultra?

O Nemotron 3 Ultra é o maior membro da família Nemotron 3 da NVIDIA, publicado no Hugging Face em 4 de junho de 2026. O relatório técnico da NVIDIA o descreve como "um modelo de linguagem Mixture-of-Experts híbrido Mamba-Atenção com 550 bilhões de parâmetros no total e 55 bilhões ativos" — mais ou menos 10% da rede trabalha em qualquer token dado, e é isso que torna um modelo de meio trilhão de parâmetros viável de servir.

O layout relatado é de 108 camadas com dimensão de modelo 8,192, intercalando camadas de espaço de estados Mamba-2 com um conjunto esparso de camadas de atenção completa, 512 especialistas por camada MoE com roteamento top-22. O pré-treinamento rodou sobre cerca de 20 trilhões de tokens de texto em duas fases — enviesada por diversidade, depois por qualidade — com corte em setembro de 2025, 12 línguas naturais e 43 linguagens de programação. O pós-treinamento usou SFT, RL multiambiente com recompensas verificáveis e Multi-Teacher On-Policy Distillation a partir de mais de dez professores especialistas. O alvo de projeto declarado são agentes de execução longa: sessões que seguram um contexto grande, chamam ferramentas dezenas de vezes e rodam tempo suficiente para que a economia por token domine a conta.

02A linhagem Nemotron, e por que a tradição importa

O Nemotron não é um caso isolado. É a saída visível de um programa de pesquisa da NVIDIA que corre na mesma direção desde 2024, e cada geração deixou algo que o modelo atual ainda carrega. O Nemotron-4 340B (junho de 2024) veio com um pipeline aberto de geração de dados sintéticos, o seu modelo de recompensa e o seu gerador, mais uma divulgação incomum: a esmagadora maioria dos seus dados de alinhamento foi gerada por modelo. O modelo como fábrica de dados, e não como oráculo, é a razão pela qual os lançamentos Nemotron seguintes continuam entregando conjuntos de dados junto com os pesos.

Llama-Nemotron — raciocínio que se pode desligar

A família Llama-Nemotron de 2025 (LN-Nano 8B, LN-Super 49B, LN-Ultra 253B) contribuiu com duas ideias que envelheceram bem. A primeira foi arquitetural: a busca de arquitetura neural Puzzle da NVIDIA montou uma biblioteca de blocos transformer destilados bloco a bloco e os combinou com programação inteira mista, produzindo modelos em que alguns blocos pulam a atenção por completo ou a substituem por uma única camada linear, enquanto a FFN Fusion colapsava blocos feed-forward consecutivos em blocos mais largos, paralelos e em menor número — cortando profundidade sequencial em vez de contagem de parâmetros. O LN-Ultra coube em um único nó 8×H100 e, segundo o artigo da NVIDIA, superou o DeepSeek-R1 no GPQA-Diamond (76.0% contra 71.5%).

A segunda foi comportamental: o Llama-Nemotron foi a primeira família aberta com uma chave dinâmica de raciocínio, marcando os dados de treinamento com detailed thinking on ou detailed thinking off na instrução de sistema, com recompensas de formato exigindo tags <think> no modo ligado. Um conjunto de pesos, dois comportamentos, selecionáveis em tempo de inferência. O controle de orçamento de raciocínio do Nemotron 3 — e o parâmetro reasoning_effort na nossa API — descende diretamente desse trabalho.

Nemotron 3 — a virada híbrida

O Nemotron 3 substituiu a derivação do Llama por uma arquitetura híbrida feita do zero e acrescentou o LatentMoE (comprimir tokens antes do roteamento, o que segundo a NVIDIA permite "4× mais especialistas pelo mesmo custo de inferência"), predição de múltiplos tokens e pré-treinamento nativo em NVFP4. A NVIDIA publicou um acumulado de 50 milhões de amostras de SFT, 2 milhões de tarefas de RL e 55 ambientes de RL junto com os pesos — você não precisa acreditar na palavra do fornecedor sobre o que o modelo aprendeu, porque o material de ensino é baixável.

03O que a arquitetura híbrida compra para você

O cache KV de um transformer cresce linearmente com o comprimento da sequência, e é por isso que a inferência em contexto longo fica cara em memória antes de ficar cara em computação. Camadas Mamba-2 são modelos de espaço de estados que carregam um estado recorrente de tamanho fixo, então o custo de memória por token não cresce com o histórico; no que elas são ruins é em recuperação associativa precisa. O híbrido mantém o Mamba-2 para o grosso do processamento de sequência mais uma minoria de camadas de atenção de verdade para a recuperação em que as camadas de espaço de estados tropeçam, com uma razão agressiva de 64 cabeças de consulta por 2 cabeças KV encolhendo ainda mais o cache. A NVIDIA relata 94.7% no RULER com 1M de tokens — um benchmark de agulha no palheiro construído para pegar modelos que anunciam uma janela que não conseguem usar.

A consequência é vazão: a NVIDIA afirma vazão de inferência até cerca de 6× maior que a de modelos comparáveis com precisão equivalente, e a Artificial Analysis mediu de forma independente 140.3 tokens por segundo com 1.33 segundo de tempo até o primeiro token — 7º lugar entre 89 modelos. Numa execução de agente de 200 turnos, é a diferença entre terminar numa tarde e não terminar.

04O que "3BIT-REAP" significa, honestamente

O sufixo não é decoração — ele diz exatamente o que foi feito com a fundação para ela caber.

REAP — Router-weighted Expert Activation Pruning — vem da Cerebras Research e foi aceito na ICLR 2026. Num MoE esparso, o roteador manda cada token para um punhado de especialistas; ao longo de uma carga de trabalho real, alguns são acionados o tempo todo e outros quase nunca. O REAP pontua cada especialista por um critério de saliência que combina com que força o roteador o seleciona e quão grandes são as contribuições da sua saída, e então remove de vez os menos salientes — a Cerebras relata poda de até 50% dos especialistas em modelos de até 1 trilhão de parâmetros preservando em boa medida a qualidade de base, e conclui que, para tarefas generativas como código, podar vence fundir. A quantização de 3 bits então comprime o que sobreviveu. Podar primeiro, quantizar depois, para que o orçamento de bits vá para especialistas que carregam tráfego em vez de ser espalhado sobre os mortos.

Compressão não sai de graça, e não vamos fingir o contrário: quantização agressiva aparece primeiro como pequenas degradações na conformidade exata de formato e na aritmética de cadeia longa, não como incoerência visível. Onde ficam os três níveis:

Sufixo	O que é	Onde usamos
3BIT-REAP	Pesos de 3 bits + poda de especialistas	As maiores fundações, onde nada mais cabe com velocidade
W4A16-AUTOROUND-REAP	Pesos de 4 bits / ativações de 16 bits, arredondamento aprendido do AutoRound, + poda	Fundações de tamanho médio; o AutoRound recupera precisão em relação ao arredondamento ingênuo
W8A16	Pesos de 8 bits / ativações de 16 bits	Fidelidade máxima; fundações pequenas o bastante para não precisar de compressão agressiva

O Nemotron 3 Ultra, com 550B, está claramente na primeira categoria. Se a sua carga de trabalho é excepcionalmente sensível a saída numérica exata em cadeias longas, o índice de pesquisa lista o nível W8A16 — MiMo-V2.5-Pro-W8A16 e Hy3-W8A16 — no piso de $0.50/$2.00. Uma troca de verdade, não um funil: modelo menor, menos compressão.

05O que "sem censura" significa neste endpoint

Concretamente: não há camada de recusa nem filtragem de conteúdo aplicada à saída. Nenhum classificador inspeciona o seu prompt e devolve uma negativa enlatada, e a resposta não é vasculhada antes de chegar ao seu fluxo. O que você recebe é o comportamento do próprio modelo.

É aqui que a linhagem aberta deixa de ser curiosidade. Como a NVIDIA publicou os dados de pós-treinamento e os ambientes de RL, as disposições do modelo são auditáveis em princípio, e não folclore. E como a OpenMDW-1.1 é uma licença permissiva da Linux Foundation que cobre arquitetura, parâmetros, documentação e software, um operador independente pode servir uma implantação modificada e sem filtro no próprio hardware sem que a licença seja o obstáculo. Muitas licenças de modelos "abertos" não permitem isso. Esta permite. A diferença aparece onde a recusa reflexa é um defeito, e não um recurso de segurança:

• Pesquisa em segurança — análise de vulnerabilidades, raciocínio sobre exploits, comportamento de malware, ferramental de red team, sem discutir se a pergunta é permitida.
• Química, biologia e farmacologia — cálculo de dosagem, mecanismos de reação, toxicologia, rotas de síntese que um endpoint filtrado recusa ao primeiro contato com uma palavra-chave.
• ML adversarial — negativos difíceis, corpora de jailbreak e taxonomias de abuso para classificadores que precisam ter visto a coisa real.
• Texto clínico, jurídico e forense — material de casos que é gráfico por natureza e é recusado exatamente por isso.

Sem censura não é sem responsabilidade. O que você gera é seu, e a nossa Política de Uso Responsável e os Termos de Serviço regem a conta. Remover uma camada de recusa remove um palpite sobre intenção; não remove as suas obrigações perante a lei que se aplica a você.

06STEM e raciocínio: o que dizem os números publicados

O foco de treinamento do Nemotron tem sido matemática, código, ciências e seguimento de instruções desde que o conjunto de dados de pós-treinamento do Llama-Nemotron foi construído em torno exatamente desses quatro eixos. O que a NVIDIA relata para a fundação Nemotron 3 Ultra — números relatados pelo fornecedor sobre o modelo não comprimido, que não rodamos:

Duas ressalvas valem mais que os números. O resultado do SWE-Bench Verified é uma faixa — a NVIDIA relata de 65.0% a 70.4% dependendo de qual arcabouço de agente o executa (Pi, OpenHands, Hermes, OpenCode, Mini SWE Agent), e uma diferença de cinco pontos vinda só do andaime mostra o quanto as pontuações agênticas dependem do arcabouço, e não do modelo. E a Artificial Analysis colocou o Nemotron 3 Ultra em 48 no seu Intelligence Index, 9º entre 89 modelos — forte, mas não no topo do campo, e a medição independente deles é a que pesaríamos acima do slide de qualquer fornecedor.

Na geração anterior, o artigo Llama-Nemotron da NVIDIA relata o LN-Ultra com 76.0% no GPQA-Diamond contra 71.5% do DeepSeek-R1 e 43.4% do Llama-3.1-405B-Instruct, mais 80.8% no AIME 2024 — um modelo diferente, incluído porque ciência de nível de pós-graduação e matemática de competição são o alvo da família há duas gerações.

Números de benchmark conforme publicados pela NVIDIA (junho de 2026) sobre o Nemotron 3 Ultra não comprimido, e pela Artificial Analysis para as medições independentes. Builds comprimidas podem divergir. Não publicamos números de benchmark que não verificamos ou não conseguimos atribuir.

07Preço, e a ressalva da verbosidade

A $0.75 por milhão de tokens de entrada e $3.30 por milhão de tokens de saída, o Nemotron3Ultra fica no terço inferior do nosso catálogo na entrada e no meio na saída. Exemplos trabalhados, porque preço por milhão é difícil de sentir:

Formato da chamada	Entrada	Saída	Custo
Turno típico de RAG	50,000	4,000	$0.051
Análise de documento longo	150,000	8,000	$0.139
Chamada de tamanho máximo	262,144	16,384	$0.251

Uma requisição de contexto cheio e saída cheia — cada token que o endpoint aceita e cada token que ele produz — custa cerca de 25 centavos. O mesmo formato no Kimi-K3-3BIT-REAP, o nosso modelo mais caro a $3.83/$19.12, custa cerca de $1.32, ou 5.3× mais.

Agora a ressalva, e ela é real. A Artificial Analysis mediu o Nemotron 3 Ultra gerando 2.3× mais tokens de saída que a mediana dos pares em toda a suíte de benchmarks deles. Modelos de raciocínio cobram pelo pensamento, e este pensa longamente; uma vantagem de preço por token evapora numa desvantagem por tarefa se o modelo raciocina três vezes mais para chegar à mesma resposta. A mitigação é embutida e exposta na nossa API: o Nemotron 3 foi pós-treinado para controle de orçamento de raciocínio, e o reasoning_effort é suportado aqui — a NVIDIA descreve um modo de esforço mais baixo que usa substancialmente menos tokens de pensamento em troca de uma perda de precisão de um dígito. Em classificação, extração e roteamento, baixe o esforço e a economia muda materialmente; numa demonstração matemática ou numa refatoração de vários arquivos, suba e pague por isso deliberadamente. Meça os seus próprios tokens por tarefa em vez de ler a tabela de preços e supor.

08Chamando o modelo: três dialetos, um modelo

Todo modelo do gateway responde em três superfícies de API com streaming, então você pode apontar um cliente existente para ele sem reescrever a sua integração: /v1/chat/completions (dialeto OpenAI), /v1/messages (dialeto Anthropic) e /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."}
    ]
  }'

Resumo de capacidades, para que nada surpreenda você na hora da integração:

Capacidade	Nemotron3Ultra · 3BIT-REAP
Janela de contexto	262,144 tokens
Saída máxima / requisição	16,384 tokens
Streaming	Sim
Chamada de ferramentas	Sim
Traços de raciocínio	Sim
reasoning_effort	Sim
json_schema (estrito)	Sim
response_format	Sim
Visão / entrada de imagem	Não — só texto
Camada de recusa	Nenhuma

A linha da visão pega as pessoas: o Nemotron3Ultra é só texto. Se o seu pipeline envia imagens, use MiniMax-M3-3BIT-REAP ou MiMo-V2.5-W8A16 a $0.50/$2.00, ou Kimi-K2.6-W4A16-AUTOROUND-REAP a $0.78/$3.67 — todos com visão, todos sem censura, todos no mesmo contexto de 262,144 tokens. A referência completa de parâmetros está na documentação da API.

09Onde o Nemotron3Ultra fica entre os doze

O catálogo são doze modelos sem censura que compartilham a mesma janela de contexto, os mesmos três dialetos e a mesma ausência de camada de recusa; eles diferem em fundação, preço e capacidade. A posição do Nemotron é específica: o cavalo de batalha de raciocínio de linhagem aberta — nem o mais barato, nem o mais capaz, mas o que tem o rastro público mais completo por trás do seu comportamento, e o mais fortemente ajustado para STEM e agentes.

Modelo	Entrada / 1M	Saída / 1M	Visão	Escolha por
MiniMax-M3 · 3BIT-REAP	$0.50	$2.00	Sim	Opção com visão mais barata
MiMo-V2.5-Pro · W8A16	$0.50	$2.00	Não	Nível de quantização de maior fidelidade
GLM-5.2 · 3BIT-REAP	$0.73	$2.34	Não	Raciocínio de fundação grande mais barato
Nemotron3Ultra · 3BIT-REAP	$0.75	$3.30	Não	STEM, agentes, linhagem aberta
Kimi-K2.6 · W4A16-AUTOROUND-REAP	$0.78	$3.67	Sim	Visão + fidelidade do AutoRound
DeepSeek-V4-Pro · 3BIT-REAP	$1.95	$3.90	Não	Análise profunda de uma tacada
Kimi-K3 · 3BIT-REAP	$3.83	$19.12	Sim	Teto absoluto de capacidade

Sete de doze mostrados. O catálogo completo — incluindo Laguna-S-2.1, inkling, DeepSeek-V4-Flash, MiMo-V2.5 e Hy3 — está na documentação da API. Note que o Laguna-S-2.1 não suporta saída estruturada e o inkling não suporta json_schema; o Nemotron3Ultra suporta os dois.

O vizinho mais próximo em preço é o GLM-5.2-3BIT-REAP a $0.73/$2.34, e a comparação honesta é esta: o GLM-5.2 é mais barato por token, sobretudo na saída. O Nemotron traz um corpus de treinamento publicado, um botão explícito de orçamento de raciocínio e um histórico de família mirado em ciência de nível de pós-graduação. Raciocínio geral de alto volume: rode o mais barato. Trabalho pesado em STEM, agêntico, ou sujeito a uma auditoria que pergunta de onde veio o comportamento do modelo: o Nemotron justifica a diferença.

10Perguntas frequentes

---

Fontes: Relatório técnico do NVIDIA Nemotron 3 Ultra · Blog de desenvolvedores da NVIDIA (junho de 2026) · Notas de arquitetura do Nemotron 3 Super · Llama-Nemotron: Efficient Reasoning Models · Cerebras Research, REAP. Os benchmarks da fundação são relatados pela NVIDIA sobre o modelo não comprimido, salvo quando atribuídos à Artificial Analysis; builds comprimidas podem divergir. Preços e capacidades vigentes em 5 de setembro de 2026.