Nemotron API bez cenzure

Većina „otvorenih” modela otvorena je samo po težinama i ništa više — arhiva parametara, licenca i tišina o tome odakle su brojevi došli. Nemotron je dve godine dosledan izuzetak: NVIDIA isporučuje težine, skupove podataka iz doobuke, RL okruženja i recept. Za krajnju tačku bez cenzure to je važnije nego što se čini. Model čiji su podaci o usklađivanju objavljeni jeste model o čijem ponašanju pri odbijanju možete da rasuđujete umesto da nagađate — i model koji treća strana može legitimno da raspoređuje bez filtera sadržaja zavarenog preko usta.

01Šta je Nemotron 3 Ultra?

Nemotron 3 Ultra je najveći član NVIDIA-ine porodice Nemotron 3, objavljen na Hugging Face 4. juna 2026. NVIDIA-in tehnički izveštaj opisuje ga kao „jezički model sa mešavinom eksperata i hibridnom Mamba-Attention arhitekturom, sa ukupno 550 milijardi i 55 milijardi aktivnih parametara” — otprilike 10% mreže radi na bilo kom pojedinačnom tokenu, i upravo to čini model od pola biliona parametara uopšte izvodljivim za serviranje.

Objavljeni raspored je 108 slojeva pri dimenziji modela od 8.192, uz preplitanje Mamba-2 slojeva prostora stanja sa retkim skupom slojeva pune pažnje, i 512 eksperata po MoE sloju uz top-22 rutiranje. Pretreniranje je teklo na otprilike 20 biliona tekstualnih tokena u dve faze — prvo pristrasno ka raznovrsnosti, pa ka kvalitetu — sa presekom u septembru 2025, na 12 prirodnih i 43 programska jezika. Doobuka je koristila nadgledano doterivanje, RL u više okruženja sa proverljivim nagradama i destilaciju sa više učitelja u toku same politike preko više od deset specijalizovanih učitelja. Navedeni cilj projektovanja su dugotrajni agenti: sesije koje drže veliki kontekst, pozivaju alate desetine puta i traju dovoljno dugo da ekonomija po tokenu zavlada računom.

02Loza Nemotron i zašto je poreklo bitno

Nemotron nije jednokratna pojava. On je vidljivi rezultat NVIDIA-inog istraživačkog programa koji od 2024. ide u istom pravcu, i svaka generacija je ostavila nešto što današnji model i dalje nosi. Nemotron-4 340B (jun 2024.) isporučen je sa otvorenim cevovodom za generisanje sintetičkih podataka, svojim modelom nagrade i svojim generatorom, uz neobično otkriće: ogromna većina njegovih podataka za usklađivanje bila je mašinski generisana. Model kao fabrika podataka, a ne kao proročanstvo — zato kasnija izdanja Nemotron-a i dalje objavljuju skupove podataka uz težine.

Llama-Nemotron — rezonovanje koje možete da isključite

Porodica Llama-Nemotron iz 2025. (LN-Nano 8B, LN-Super 49B, LN-Ultra 253B) doprinela je sa dve ideje koje su dobro ostarile. Prva je bila arhitektonska: NVIDIA-ina pretraga arhitekture neuronskih mreža Puzzle izgradila je biblioteku blok-po-blok destilovanih transformerskih blokova i sklopila ih mešovito-celobrojnim programiranjem, dajući modele u kojima neki blokovi potpuno preskaču pažnju ili je zamenjuju jednim linearnim slojem, dok je FFN Fusion sažimao uzastopne blokove sa propagacijom unapred u manje, šire i paralelne — skraćujući sekvencijalnu dubinu, a ne broj parametara. LN-Ultra je stao na jedan čvor sa 8×H100, a prema NVIDIA-inom radu nadmašio je DeepSeek-R1 na GPQA-Diamond (76,0% naspram 71,5%).

Druga je bila bihevioralna: Llama-Nemotron je bio prva otvorena porodica sa dinamičkim prekidačem za rezonovanje, koja je podatke za treniranje označavala sa detailed thinking on ili detailed thinking off u sistemskom uputstvu, uz nagrade za format koje su u uključenom režimu nametale <think> oznake. Jedan skup težina, dva ponašanja, birate ih u trenutku zaključivanja. Upravljanje budžetom rezonovanja kod Nemotron-a 3 — i parametar reasoning_effort na našem API-ju — direktno potiču iz tog rada.

Nemotron 3 — zaokret ka hibridu

Nemotron 3 je zamenio izvođenje iz Llame hibridnom arhitekturom građenom iz temelja i dodao LatentMoE (sažimanje tokena pre rutiranja, za šta NVIDIA kaže da omogućava „četiri puta više eksperata uz isti trošak zaključivanja”), predviđanje više tokena i izvorno NVFP4 pretreniranje. NVIDIA je uz težine objavila ukupno 50 miliona uzoraka za nadgledano doterivanje, 2 miliona RL zadataka i 55 RL okruženja — ne morate da verujete proizvođaču na reč šta je model naučen, jer se nastavni materijal može preuzeti.

03Šta vam hibridna arhitektura donosi

KV keš transformera raste linearno sa dužinom niza, i zato zaključivanje na dugom kontekstu postane skupo po memoriji pre nego po računu. Mamba-2 slojevi su modeli prostora stanja koji nose rekurentno stanje fiksne veličine, pa im trošak memorije po tokenu ne raste sa istorijom; ono u čemu su loši jeste precizno asocijativno prisećanje. Hibrid zadržava Mamba-2 za najveći deo obrade niza plus manjinu stvarnih slojeva pažnje za prisećanje s kojim se slojevi prostora stanja muče, uz agresivan odnos od 64 glave upita na 2 KV glave koji keš dodatno smanjuje. NVIDIA prijavljuje 94,7% na RULER-u pri milion tokena — merenje pronalaženja igle u plastu sena, napravljeno da uhvati modele koji tvrde da imaju prozor koji ne umeju da koriste.

Posledica je propusnost: NVIDIA tvrdi do otprilike 6 puta veću propusnost zaključivanja od uporedivih modela pri istoj tačnosti, a Artificial Analysis je nezavisno izmerio 140,3 tokena u sekundi uz 1,33 sekunde do prvog tokena — 7. mesto od 89 modela. Na agentskom radu od 200 poteza to je razlika između završetka do kraja popodneva i nezavršavanja.

04Šta „3BIT-REAP” zaista znači

Sufiks nije ukras — on vam tačno govori šta je urađeno sa temeljem da bi stao.

REAP — orezivanje aktivacije eksperata ponderisano ruterom — dolazi iz Cerebras Research-a i prihvaćen je na ICLR 2026. U retkom MoE-u ruter šalje svaki token šačici eksperata; kroz stvarno radno opterećenje neki se pogađaju stalno, a drugi gotovo nikada. REAP ocenjuje svakog eksperta po kriterijumu istaknutosti koji spaja koliko ga jako ruter propušta i koliko su veliki njegovi doprinosi izlazu, pa najmanje istaknute uklanja bez ostatka — Cerebras prijavljuje orezivanje do 50% eksperata iz modela veličine i do bilion parametara uz uglavnom očuvan osnovni kvalitet, i nalazi da za generativne zadatke poput koda orezivanje pobeđuje spajanje. Kvantizacija na 3 bita zatim sažima ono što je preživelo. Prvo orezivanje, pa kvantizacija — da budžet bitova ode ekspertima koji nose saobraćaj umesto da se razmaže po mrtvima.

Kompresija nije besplatna i nećemo se pretvarati da jeste: agresivna kvantizacija se prvo pokaže kao mali pad u poštovanju tačnog formata i u dugolančanoj aritmetici, a ne kao vidljiva nesuvislost. Gde stoje ta tri nivoa:

Sufiks	Šta je to	Gde ga koristimo
3BIT-REAP	Težine od 3 bita + orezivanje eksperata	Najveći temelji, gde ništa drugo ne staje uz zadržanu brzinu
W4A16-AUTOROUND-REAP	Težine od 4 bita / aktivacije od 16 bita, naučeno zaokruživanje AutoRound, + orezivanje	Temelji srednje veličine; AutoRound vraća tačnost u odnosu na naivno zaokruživanje na najbliže
W8A16	Težine od 8 bita / aktivacije od 16 bita	Najveća vernost; temelji dovoljno mali da im agresivna kompresija ne treba

Nemotron 3 Ultra sa svojih 550 milijardi parametara spada pravo u prvu kategoriju. Ako je vaše radno opterećenje neuobičajeno osetljivo na tačan numerički izlaz kroz duge lance, istraživački indeks navodi nivo W8A16 — MiMo-V2.5-Pro-W8A16 i Hy3-W8A16 — po najnižoj ceni od $0.50/$2.00. Stvarna razmena, a ne levak: manji model, manje kompresije.

05Šta „bez cenzure” znači na ovoj krajnjoj tački

Konkretno: nema sloja odbijanja i nema filtriranja sadržaja primenjenog na izlaz. Nijedan klasifikator ne pregleda vaš upit da bi vratio unapred pripremljeno odbijanje, a odgovor se ne skenira pre nego što stigne do vašeg strima. Ono što dobijate jeste sopstveno ponašanje modela.

Ovde otvorena loza prestaje da bude zanimljivost. Pošto je NVIDIA objavila podatke iz doobuke i RL okruženja, sklonosti modela su načelno proverljive umesto da budu predanje. A pošto je OpenMDW-1.1 dozvoljavajuća licenca Linux fondacije koja pokriva arhitekturu, parametre, dokumentaciju i softver, nezavisni operater može da servira izmenjeno, nefiltrirano raspoređivanje na sopstvenom hardveru a da mu licenca ne bude prepreka. Mnoge „otvorene” licence za modele to ne dozvoljavaju. Ova dozvoljava. Razlika se vidi tamo gde je refleksno odbijanje greška, a ne bezbednosna funkcija:

• Bezbednosna istraživanja — analiza ranjivosti, rasuđivanje o eksploatima, ponašanje zlonamernog softvera, alati crvenog tima, bez rasprave o tome da li je pitanje dozvoljeno.
• Hemija, biologija i farmakologija — računanje doza, mehanizmi reakcija, toksikologija, sintetski putevi koje filtrirana krajnja tačka odbija na dodir sa ključnom rečju.
• Protivničko mašinsko učenje — teški negativni primeri, korpusi za probijanje ograda i taksonomije zloupotrebe za klasifikatore koji moraju da su videli pravu stvar.
• Klinički, pravni i forenzički tekst — materijal iz predmeta koji je po prirodi surov i biva odbijen upravo iz tog razloga.

Bez cenzure ne znači bez odgovornosti. Vi ste vlasnik onoga što generišete, a nalog uređuju naša politika odgovorne upotrebe i uslovi korišćenja. Uklanjanje sloja odbijanja uklanja nagađanje o nameri; ne uklanja vaše obaveze po zakonu koji se na vas primenjuje.

06STEM i rezonovanje: šta kažu objavljeni brojevi

Fokus Nemotron treniranja bili su matematika, kod, nauka i praćenje uputstava još otkad je skup podataka za doobuku Llama-Nemotron-a građen tačno oko te četiri ose. Ono što NVIDIA prijavljuje za temelj Nemotron 3 Ultra — brojevi koje prijavljuje proizvođač, za nekompresovani model, koji mi nismo pokretali:

Dve ograde vrede više od samih brojeva. Rezultat na SWE-Bench Verified je raspon — NVIDIA prijavljuje od 65,0% do 70,4% u zavisnosti od toga koja ga agentska ljuska pokreće (Pi, OpenHands, Hermes, OpenCode, Mini SWE Agent), a razmak od pet poena samo od skele pokazuje koliko agentski rezultati zavise od ljuske, a ne od modela. Artificial Analysis je Nemotron 3 Ultra smestio na 48 poena svog indeksa inteligencije, 9. mesto od 89 modela — jako, ali ne na vrhu polja, i njihovo nezavisno merenje je ono kojem bismo dali veću težinu nego bilo čijem slajdu.

Za raniju generaciju, NVIDIA-in rad o Llama-Nemotron-u prijavljuje LN-Ultra sa 76,0% na GPQA-Diamond naspram 71,5% za DeepSeek-R1 i 43,4% za Llama-3.1-405B-Instruct, uz 80,8% na AIME 2024 — drugi model, uključen zato što su nauka na doktorskom nivou i takmičarska matematika već dve generacije cilj ove porodice.

Brojevi merenja onako kako ih objavljuje NVIDIA (jun 2026.) za nekompresovani Nemotron 3 Ultra, i Artificial Analysis za nezavisna merenja. Kompresovane gradnje mogu da se razlikuju. Ne objavljujemo brojeve merenja koje nismo proverili ili ne možemo da pripišemo izvoru.

07Cena i ograda oko opširnosti

Sa $0.75 po milionu ulaznih tokena i $3.30 po milionu izlaznih, Nemotron3Ultra je u donjoj trećini našeg kataloga po ulazu i u sredini po izlazu. Razrađeni primeri, jer se cena po milionu teško oseti:

Oblik poziva	Ulaz	Izlaz	Trošak
Tipičan RAG potez	50.000	4.000	$0.051
Analiza dugog dokumenta	150.000	8.000	$0.139
Poziv najveće veličine	262.144	16.384	$0.251

Zahtev sa punim kontekstom i punim izlazom — svaki token koji krajnja tačka prima i svaki koji će proizvesti — košta oko 25 centi. Isti oblik na Kimi-K3-3BIT-REAP, našem najskupljem modelu po $3.83/$19.12, košta oko $1.32, ili 5,3 puta više.

Sada ograda, i stvarna je. Artificial Analysis je izmerio da Nemotron 3 Ultra generiše 2,3 puta više izlaznih tokena od medijane srodnih modela kroz njihov skup merenja. Modeli koji rezonuju naplaćuju vam razmišljanje, a ovaj razmišlja naširoko; prednost u ceni po tokenu ispari u zaostatak po zadatku ako model rezonuje tri puta duže da bi stigao do istog odgovora. Ublažavanje je ugrađeno i izloženo na našem API-ju: Nemotron 3 je doobučen za upravljanje budžetom rezonovanja, a reasoning_effort je ovde podržan — NVIDIA opisuje režim manjeg napora koji troši znatno manje tokena razmišljanja uz gubitak tačnosti u jednocifrenom procentu. Na klasifikaciji, izvlačenju podataka i usmeravanju spustite ga i ekonomija se bitno menja; na dokazu ili refaktorisanju kroz više datoteka podignite ga i platite to namerno. Merite sopstvene tokene po zadatku umesto da čitate cenovnik i pretpostavljate.

08Pozivanje: tri dijalekta, jedan model

Svaki model na gejtveju odgovara na tri strimujuće API površine, pa možete da usmerite postojećeg klijenta na njega bez prepisivanja integracije: /v1/chat/completions (OpenAI dijalekt), /v1/messages (Anthropic dijalekt) 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."}
    ]
  }'

Pregled mogućnosti, da vas ništa ne iznenadi u trenutku integracije:

Mogućnost	Nemotron3Ultra · 3BIT-REAP
Prozor konteksta	262.144 tokena
Maks. izlaz po zahtevu	16.384 tokena
Striming	Da
Pozivanje alata	Da
Tragovi rezonovanja	Da
reasoning_effort	Da
json_schema (strogo)	Da
response_format	Da
Vizuelni ulaz / slike	Ne — samo tekst
Sloj odbijanja	Nema

Red o vizuelnom ulazu ljude iznenadi: Nemotron3Ultra je samo za tekst. Ako vaš cevovod šalje slike, koristite MiniMax-M3-3BIT-REAP ili MiMo-V2.5-W8A16 po $0.50/$2.00, ili Kimi-K2.6-W4A16-AUTOROUND-REAP po $0.78/$3.67 — svi razumeju slike, svi su bez cenzure, svi na istom kontekstu od 262.144 tokena. Pun pregled parametara je u API dokumentaciji.

09Gde se Nemotron3Ultra uklapa među dvanaest

Katalog čini dvanaest modela bez cenzure koji dele isti prozor konteksta, ista tri dijalekta i isto odsustvo sloja odbijanja; razlikuju se po temelju, ceni i mogućnostima. Nemotron ima određeno mesto: radni konj rezonovanja sa otvorenom lozom — nije najjeftiniji, nije najsposobniji, ali iza njegovog ponašanja stoji najviše javnog papirnog traga, i najjače je podešen ka STEM-u i agentima.

Model	Ulaz / 1M	Izlaz / 1M	Vizuelni ulaz	Birate ga zbog
MiniMax-M3 · 3BIT-REAP	$0.50	$2.00	Da	Najjeftinija opcija koja razume slike
MiMo-V2.5-Pro · W8A16	$0.50	$2.00	Ne	Nivo kvantizacije najveće vernosti
GLM-5.2 · 3BIT-REAP	$0.73	$2.34	Ne	Najjeftinije rezonovanje na velikom temelju
Nemotron3Ultra · 3BIT-REAP	$0.75	$3.30	Ne	STEM, agenti, otvorena loza
Kimi-K2.6 · W4A16-AUTOROUND-REAP	$0.78	$3.67	Da	Vizuelni ulaz + AutoRound vernost
DeepSeek-V4-Pro · 3BIT-REAP	$1.95	$3.90	Ne	Duboka analiza iz jednog pokušaja
Kimi-K3 · 3BIT-REAP	$3.83	$19.12	Da	Apsolutni vrhunac sposobnosti

Prikazano je sedam od dvanaest. Pun katalog — uključujući Laguna-S-2.1, inkling, DeepSeek-V4-Flash, MiMo-V2.5 i Hy3 — nalazi se u API dokumentaciji. Imajte u vidu da Laguna-S-2.1 ne podržava strukturirani izlaz, a inkling ne podržava json_schema; Nemotron3Ultra podržava oboje.

Najbliži sused po ceni je GLM-5.2-3BIT-REAP po $0.73/$2.34, a pošteno poređenje glasi ovako: GLM-5.2 je jeftiniji po tokenu, naročito na izlazu. Nemotron donosi objavljen korpus za treniranje, izričitu polugu za budžet rezonovanja i porodičnu istoriju usmerenu ka nauci na doktorskom nivou. Opšte rezonovanje velikog obima: pokrenite jeftiniji. Rad težak po STEM-u, agentski ili podložan reviziji koja pita odakle je ponašanje modela došlo: Nemotron zaslužuje razliku.

10Često postavljana pitanja

---

Izvori: tehnički izveštaj o NVIDIA Nemotron 3 Ultra · NVIDIA-in blog za programere (jun 2026.) · beleške o arhitekturi Nemotron 3 Super · Llama-Nemotron: Efficient Reasoning Models · Cerebras Research, REAP. Merenja temelja prijavljuje NVIDIA za nekompresovani model, osim kada su pripisana Artificial Analysis-u; kompresovane gradnje mogu da se razlikuju. Cene i mogućnosti važe na dan 5. septembra 2026.