API Nemotron แบบไม่เซ็นเซอร์

โมเดล "เปิด" ส่วนใหญ่เปิดแค่น้ำหนัก แล้วก็จบ — มีแค่ไฟล์พารามิเตอร์ก้อนหนึ่ง สัญญาอนุญาตหนึ่งฉบับ และความเงียบว่าตัวเลขเหล่านั้นมาจากไหน Nemotron เป็นข้อยกเว้นที่คงเส้นคงวามาสองปี: NVIDIA ปล่อยทั้งน้ำหนัก ชุดข้อมูลหลังการฝึก สภาพแวดล้อม RL และสูตร นั่นสำคัญกับเอนด์พอยต์ไม่เซ็นเซอร์ในแบบที่มองข้ามได้ง่าย โมเดลที่ข้อมูลจัดแนวของมันถูกเผยแพร่ คือโมเดลที่คุณใช้เหตุผลอธิบายพฤติกรรมการปฏิเสธของมันได้ แทนที่จะต้องเดา — และเป็นโมเดลที่บุคคลที่สามนำไปให้บริการได้อย่างชอบธรรมโดยไม่ต้องเอาตัวกรองเนื้อหามาปิดปากมันไว้

01Nemotron 3 Ultra คืออะไร

Nemotron 3 Ultra คือสมาชิกที่ใหญ่ที่สุดของตระกูล Nemotron 3 ของ NVIDIA ปล่อยขึ้น Hugging Face เมื่อ 4 มิถุนายน 2026 รายงานทางเทคนิคของ NVIDIA อธิบายมันว่าเป็น "โมเดลภาษา Mixture-of-Experts ไฮบริด Mamba-Attention ขนาดพารามิเตอร์รวม 550 พันล้าน และกระตุ้น 55 พันล้าน" — ราวหนึ่งในสิบของเครือข่ายทำงานกับโทเค็นใด ๆ ก็ตาม ซึ่งคือสิ่งที่ทำให้โมเดลระดับครึ่งล้านล้านพารามิเตอร์ให้บริการได้จริง

โครงสร้างที่รายงานไว้คือ 108 เลเยอร์ ที่มิติโมเดล 8,192 สลับ เลเยอร์ state-space แบบ Mamba-2 กับเลเยอร์ attention เต็มรูปแบบจำนวนน้อย มีผู้เชี่ยวชาญ 512 ตัวต่อเลเยอร์ MoE พร้อมการกำหนดเส้นทางแบบ top-22 การพรีเทรนใช้ข้อความราว 20 ล้านล้านโทเค็น แบ่งเป็นสองเฟส — เน้นความหลากหลายก่อน แล้วจึงเน้นคุณภาพ — โดยตัดข้อมูลที่กันยายน 2025 ครอบคลุมภาษาธรรมชาติ 12 ภาษา และภาษาโปรแกรม 43 ภาษา การฝึกหลังจากนั้นใช้ SFT, RL หลายสภาพแวดล้อมพร้อมรางวัลที่ตรวจสอบได้ และ Multi-Teacher On-Policy Distillation จากครูเฉพาะทางกว่าสิบตัว เป้าหมายการออกแบบที่ประกาศไว้คือเอเจนต์ที่รันยาว: เซสชันที่ถือคอนเท็กซ์ก้อนใหญ่ เรียกทูลหลายสิบครั้ง และรันนานพอที่เศรษฐศาสตร์ต่อโทเค็นจะครอบงำบิล

02สายตระกูล Nemotron และเหตุผลที่สายเลือดมันสำคัญ

Nemotron ไม่ใช่ของที่ทำครั้งเดียวจบ มันคือผลผลิตที่มองเห็นได้ของโครงการวิจัย NVIDIA ที่เดินไปทางเดิมมาตั้งแต่ปี 2024 และแต่ละรุ่นทิ้งบางอย่างไว้ที่โมเดลปัจจุบันยังแบกอยู่ Nemotron-4 340B (มิถุนายน 2024) ปล่อยมาพร้อมไปป์ไลน์สร้างข้อมูลสังเคราะห์แบบเปิด ทั้งโมเดลรางวัลและตัวสร้างของมัน บวกกับการเปิดเผยที่ไม่ธรรมดา: ข้อมูลจัดแนวส่วนใหญ่อย่างท่วมท้นของมันถูกสร้างขึ้นโดยโมเดล การมองโมเดลเป็นโรงงานข้อมูลแทนที่จะเป็นผู้พยากรณ์ คือเหตุผลที่ Nemotron รุ่นหลัง ๆ ยังคงปล่อยชุดข้อมูลมาคู่กับน้ำหนักเสมอ

Llama-Nemotron — การให้เหตุผลที่ปิดสวิตช์ได้

ตระกูล Llama-Nemotron ปี 2025 (LN-Nano 8B, LN-Super 49B, LN-Ultra 253B) ให้ไอเดียสองอย่างที่ยังอยู่ได้ดีจนถึงวันนี้ อย่างแรกเป็นเชิงสถาปัตยกรรม: การค้นหาสถาปัตยกรรมประสาท Puzzle ของ NVIDIA สร้างคลังบล็อกทรานส์ฟอร์เมอร์ที่กลั่นทีละบล็อก แล้วประกอบมันเข้าด้วยกันด้วยการโปรแกรมจำนวนเต็มผสม ได้โมเดลที่บางบล็อกข้าม attention ไปเลย หรือแทนที่มันด้วยเลเยอร์เชิงเส้นชั้นเดียว ขณะที่ FFN Fusion ยุบบล็อก feed-forward ที่ต่อกันให้เหลือน้อยลง กว้างขึ้น และขนานกัน — ลดความลึกเชิงลำดับ ไม่ใช่ลดจำนวนพารามิเตอร์ LN-Ultra ใส่ลงในโหนด 8×H100 ตัวเดียวได้ ขณะที่ตามรายงานของ NVIDIA มันทำได้ดีกว่า DeepSeek-R1 บน GPQA-Diamond (76.0% เทียบกับ 71.5%)

อย่างที่สองเป็นเชิงพฤติกรรม: Llama-Nemotron เป็นตระกูลเปิดตระกูลแรกที่มี สวิตช์สลับการให้เหตุผลแบบไดนามิก โดยติดป้ายข้อมูลฝึกว่า detailed thinking on หรือ detailed thinking off ในคำสั่งระบบ พร้อมรางวัลด้านรูปแบบที่บังคับให้มีแท็ก <think> ในโหมดเปิด น้ำหนักชุดเดียว สองพฤติกรรม เลือกได้ตอนอนุมาน การควบคุมงบการให้เหตุผล ของ Nemotron 3 — และพารามิเตอร์ reasoning_effort บน API ของเรา — สืบทอดมาจากงานนั้นโดยตรง

Nemotron 3 — จุดเลี้ยวสู่ไฮบริด

Nemotron 3 แทนที่การต่อยอดจาก Llama ด้วยสถาปัตยกรรมไฮบริดที่สร้างขึ้นใหม่ทั้งหมด และเพิ่ม LatentMoE (บีบอัดโทเค็นก่อนกำหนดเส้นทาง ซึ่ง NVIDIA บอกว่าทำให้ใช้ "ผู้เชี่ยวชาญได้มากขึ้น 4 เท่าที่ต้นทุนการอนุมานเท่าเดิม") การทำนายหลายโทเค็น และการพรีเทรนด้วย NVFP4 โดยกำเนิด NVIDIA เผยแพร่ตัวอย่าง SFT สะสม 50 ล้านชุด งาน RL 2 ล้านงาน และสภาพแวดล้อม RL 55 แบบ ควบคู่ไปกับน้ำหนัก — คุณไม่ต้องเชื่อคำของผู้ขายว่าโมเดลถูกสอนอะไรมา เพราะสื่อการสอนดาวน์โหลดได้

03สถาปัตยกรรมไฮบริดซื้ออะไรให้คุณ

แคช KV ของทรานส์ฟอร์เมอร์โตเป็นเชิงเส้นตามความยาวลำดับ ซึ่งเป็นเหตุผลที่การอนุมานคอนเท็กซ์ยาวแพงที่หน่วยความจำก่อนจะแพงที่การประมวลผล เลเยอร์ Mamba-2 คือโมเดล state-space ที่แบกสถานะเวียนเกิดขนาดคงที่ ต้นทุนหน่วยความจำต่อโทเค็นของมันจึงไม่โตตามประวัติ สิ่งที่มันทำได้ไม่ดีคือการเรียกคืนแบบเชื่อมโยงที่แม่นยำ สถาปัตยกรรมไฮบริดจึงเก็บ Mamba-2 ไว้ทำงานประมวลผลลำดับส่วนใหญ่ บวกกับเลเยอร์ attention จริง ๆ จำนวนน้อยไว้ทำงานเรียกคืนที่เลเยอร์ state-space ทำพลาด พร้อมอัตราส่วน 64 หัวคิวรี / 2 หัว KV ที่ดุดัน ซึ่งย่อแคชลงไปอีก NVIDIA รายงาน 94.7% บน RULER ที่ 1M โทเค็น — เกณฑ์มาตรฐานค้นเข็มในกองฟางที่สร้างมาเพื่อจับโมเดลที่อ้างหน้าต่างซึ่งมันใช้จริงไม่ได้

ผลลัพธ์คือปริมาณงาน: NVIDIA อ้างว่าปริมาณงานการอนุมานสูงกว่าโมเดลเทียบเคียงได้ถึงราว 6 เท่าที่ความแม่นยำระดับเดียวกัน และ Artificial Analysis วัดได้อย่างอิสระที่ 140.3 โทเค็น/วินาที พร้อมเวลาถึงโทเค็นแรก 1.33 วินาที — อันดับ 7 จาก 89 โมเดล ในการรันเอเจนต์ 200 เทิร์น นั่นคือความต่างระหว่างเสร็จภายในบ่ายเดียวกับไม่เสร็จ

04"3BIT-REAP" หมายถึงอะไรกันแน่

คำต่อท้ายนี้ไม่ใช่ของประดับ — มันบอกคุณตรง ๆ ว่าโมเดลฐานถูกทำอะไรเพื่อให้ใส่ลงได้

REAP — Router-weighted Expert Activation Pruning — มาจาก Cerebras Research และได้รับการตอบรับเข้า ICLR 2026 ใน MoE แบบเบาบาง เราเตอร์จะส่งแต่ละโทเค็นไปหาผู้เชี่ยวชาญไม่กี่ตัว เมื่อรันภาระงานจริง บางตัวจะโดนเรียกตลอดเวลา ส่วนบางตัวแทบไม่โดนเลย REAP ให้คะแนนผู้เชี่ยวชาญแต่ละตัวด้วยเกณฑ์ความโดดเด่นที่รวม ความแรงที่เราเตอร์เปิดเกตให้มัน กับ ขนาดของสิ่งที่มันส่งออกมา แล้วตัดตัวที่โดดเด่นน้อยที่สุดทิ้งไปเลย — Cerebras รายงานว่าตัดผู้เชี่ยวชาญออกได้ถึง 50% จากโมเดลขนาดใหญ่ถึง 1 ล้านล้านพารามิเตอร์ โดยยังรักษาคุณภาพระดับเส้นฐานไว้ได้เป็นส่วนใหญ่ และพบว่าสำหรับงานสร้างข้อความอย่างการเขียนโค้ด การตัดดีกว่าการรวม จากนั้นการควอนไทซ์ 3 บิต จึงบีบอัดสิ่งที่รอดมา ตัดก่อน ควอนไทซ์ทีหลัง งบบิตจึงไปตกที่ผู้เชี่ยวชาญที่แบกทราฟฟิก แทนที่จะถูกละเลงไปทั่วตัวที่ตายแล้ว

การบีบอัดไม่ได้มาฟรี ๆ และเราจะไม่แกล้งทำเป็นอย่างอื่น: การควอนไทซ์ที่ดุดันจะโผล่ออกมาก่อนในรูปของความถดถอยเล็ก ๆ ในการทำตามรูปแบบเป๊ะ ๆ และการคำนวณเลขที่ต่อกันยาว ๆ ไม่ใช่ในรูปของความไม่ปะติดปะต่อที่เห็นได้ชัด สามระดับอยู่ตรงไหนบ้าง:

คำต่อท้าย	มันคืออะไร	เราใช้มันตรงไหน
3BIT-REAP	น้ำหนัก 3 บิต + การตัดผู้เชี่ยวชาญ	โมเดลฐานที่ใหญ่ที่สุด ที่ไม่มีอย่างอื่นใส่ลงได้พร้อมความเร็ว
W4A16-AUTOROUND-REAP	น้ำหนัก 4 บิต / การกระตุ้น 16 บิต, การปัดที่เรียนรู้ได้แบบ AutoRound, + การตัด	โมเดลฐานขนาดกลาง AutoRound กู้ความแม่นยำคืนได้เหนือกว่าการปัดหาค่าใกล้สุดแบบตรงไปตรงมา
W8A16	น้ำหนัก 8 บิต / การกระตุ้น 16 บิต	ความเที่ยงตรงสูงสุด โมเดลฐานที่เล็กพอจนไม่ต้องบีบอัดอย่างดุดัน

Nemotron 3 Ultra ที่ 550B อยู่ในหมวดแรกเต็ม ๆ ถ้าภาระงานของคุณอ่อนไหวเป็นพิเศษต่อเอาต์พุตตัวเลขที่ต้องเป๊ะตลอดสายยาว ๆ ดัชนีงานวิจัย มีรายชื่อระดับ W8A16 — MiMo-V2.5-Pro-W8A16 และ Hy3-W8A16 — ที่ราคาพื้น $0.50/$2.00 เป็นการแลกจริง ไม่ใช่กรวยการตลาด: โมเดลเล็กลง บีบอัดน้อยลง

05"ไม่เซ็นเซอร์" บนเอนด์พอยต์นี้หมายถึงอะไร

พูดให้เป็นรูปธรรม: ไม่มีชั้นการปฏิเสธ และไม่มีการกรองเนื้อหาใด ๆ กับเอาต์พุต ไม่มีตัวจำแนกคอยตรวจพรอมป์ของคุณแล้วคืนคำบอกปัดสำเร็จรูป และการตอบกลับไม่ถูกสแกนก่อนไปถึงสตรีมของคุณ สิ่งที่คุณได้คือพฤติกรรมของโมเดลเอง

ตรงนี้เองที่สายเลือดแบบเปิดเลิกเป็นเกร็ดความรู้ไร้สาระ เพราะ NVIDIA เผยแพร่ข้อมูลหลังการฝึกและสภาพแวดล้อม RL อุปนิสัยของโมเดลจึงตรวจสอบได้ในหลักการ แทนที่จะเป็นเรื่องเล่าปากต่อปาก และเพราะ OpenMDW-1.1 เป็นสัญญาอนุญาตแบบผ่อนปรนของ Linux Foundation ที่ครอบคลุมทั้งสถาปัตยกรรม พารามิเตอร์ เอกสาร และซอฟต์แวร์ ผู้ดำเนินการอิสระจึงให้บริการเวอร์ชันที่แก้ไขแล้วและไม่กรองบนฮาร์ดแวร์ของตัวเองได้ โดยไม่มีสัญญาอนุญาตเป็นอุปสรรค สัญญาอนุญาตของโมเดล "เปิด" หลายฉบับไม่อนุญาตแบบนั้น ฉบับนี้อนุญาต ความต่างนี้ปรากฏชัดตรงที่การปฏิเสธแบบสะท้อนกลับเป็นบั๊ก ไม่ใช่คุณสมบัติด้านความปลอดภัย:

• งานวิจัยความมั่นคงปลอดภัย — การวิเคราะห์ช่องโหว่ การให้เหตุผลเรื่องการเจาะระบบ พฤติกรรมมัลแวร์ เครื่องมือทีมแดง โดยไม่ต้องมาเถียงกันว่าคำถามนี้ถามได้หรือเปล่า
• เคมี ชีววิทยา และเภสัชวิทยา — การคำนวณขนาดยา กลไกปฏิกิริยา พิษวิทยา เส้นทางการสังเคราะห์ ที่เอนด์พอยต์ซึ่งถูกกรองจะบอกปัดทันทีที่เจอคำสำคัญ
• ML เชิงปฏิปักษ์ — ตัวอย่างลบที่ยาก คลังข้อความเจลเบรก และอนุกรมวิธานการใช้ในทางที่ผิด สำหรับตัวจำแนกที่จำเป็นต้องเคยเห็นของจริงมาก่อน
• ข้อความทางคลินิก กฎหมาย และนิติวิทยาศาสตร์ — เนื้อหาคดีที่รุนแรงโดยธรรมชาติ และถูกปฏิเสธด้วยเหตุผลนั้นเป๊ะ ๆ

ไม่เซ็นเซอร์ไม่ได้แปลว่าไม่ต้องรับผิดชอบ คุณเป็นเจ้าของสิ่งที่คุณสร้างขึ้น และนโยบายการใช้งานอย่างรับผิดชอบกับข้อกำหนดการให้บริการของเรากำกับบัญชีของคุณอยู่ การถอดชั้นการปฏิเสธออกคือการถอดการเดาเจตนาออก มันไม่ได้ถอดภาระหน้าที่ของคุณตามกฎหมายที่บังคับใช้กับคุณ

06STEM และการให้เหตุผล: ตัวเลขที่เผยแพร่บอกอะไร

จุดโฟกัสการฝึกของ Nemotron คือคณิตศาสตร์ โค้ด วิทยาศาสตร์ และการทำตามคำสั่ง มาตั้งแต่ชุดข้อมูลหลังการฝึกของ Llama-Nemotron ถูกสร้างขึ้นรอบสี่แกนนี้พอดี สิ่งที่ NVIDIA รายงานสำหรับโมเดลฐาน Nemotron 3 Ultra — ตัวเลขที่ผู้พัฒนารายงานบนโมเดลที่ยังไม่บีบอัด ซึ่งเราไม่ได้รันเอง:

ข้อควรระวังสองข้อที่มีค่ามากกว่าตัวเลข ตัวเลข SWE-Bench Verified เป็นช่วง — NVIDIA รายงาน 65.0% ถึง 70.4% ขึ้นกับว่าฮาร์เนสเอเจนต์ตัวไหนเป็นคนรัน (Pi, OpenHands, Hermes, OpenCode, Mini SWE Agent) และการกระจายห้าจุดที่มาจากโครงนั่งร้านเพียงอย่างเดียวแสดงให้เห็นว่าคะแนนงานเอเจนต์ขึ้นกับฮาร์เนสมากแค่ไหน มากกว่าขึ้นกับตัวโมเดล และ Artificial Analysis จัด Nemotron 3 Ultra ไว้ที่ 48 บนดัชนีความฉลาดของพวกเขา อันดับ 9 จาก 89 โมเดล — แข็งแรง แต่ไม่ใช่ที่หนึ่งของสนาม และการวัดอิสระของพวกเขาคือสิ่งที่เราจะให้น้ำหนักเหนือสไลด์ของผู้ขายรายใด

ในรุ่นก่อนหน้า รายงาน Llama-Nemotron ของ NVIDIA ระบุว่า LN-Ultra ทำได้ 76.0% บน GPQA-Diamond เทียบกับ 71.5% ของ DeepSeek-R1 และ 43.4% ของ Llama-3.1-405B-Instruct บวก 80.8% บน AIME 2024 — คนละโมเดล ที่ยกมาเพราะวิทยาศาสตร์ระดับบัณฑิตศึกษาและคณิตศาสตร์แข่งขันเป็นเป้าหมายของตระกูลนี้มาสองรุ่นแล้ว

ตัวเลขเกณฑ์มาตรฐานตามที่ NVIDIA เผยแพร่ (มิถุนายน 2026) บน Nemotron 3 Ultra ที่ยังไม่บีบอัด และตามที่ Artificial Analysis เผยแพร่สำหรับการวัดอิสระ บิลด์ที่บีบอัดแล้วอาจให้ผลต่างไป เราไม่เผยแพร่ตัวเลขเกณฑ์มาตรฐานที่เราไม่ได้ตรวจสอบเองหรืออ้างอิงที่มาไม่ได้

07ราคา และข้อควรระวังเรื่องความยืดยาว

ที่ $0.75 ต่อโทเค็นอินพุตหนึ่งล้านโทเค็น และ $3.30 ต่อโทเค็นเอาต์พุตหนึ่งล้านโทเค็น Nemotron3Ultra อยู่ในหนึ่งในสามล่างของชุดโมเดลเราด้านอินพุต และอยู่กลาง ๆ ด้านเอาต์พุต ตัวอย่างคิดจริง เพราะราคาต่อล้านโทเค็นเป็นสิ่งที่รู้สึกตามได้ยาก:

รูปแบบการเรียก	อินพุต	เอาต์พุต	ค่าใช้จ่าย
เทิร์น RAG ทั่วไป	50,000	4,000	$0.051
วิเคราะห์เอกสารยาว	150,000	8,000	$0.139
เรียกใหญ่สุดเต็มพิกัด	262,144	16,384	$0.251

คำขอที่ใช้คอนเท็กซ์เต็มและเอาต์พุตเต็ม — ทุกโทเค็นที่เอนด์พอยต์จะรับ และทุกโทเค็นที่มันจะผลิต — มีค่าใช้จ่ายราว 25 เซนต์ รูปแบบเดียวกันบน Kimi-K3-3BIT-REAP โมเดลแพงที่สุดของเราที่ $3.83/$19.12 มีค่าใช้จ่ายราว $1.32 หรือมากกว่า 5.3 เท่า

ทีนี้ข้อควรระวัง และมันเป็นเรื่องจริง Artificial Analysis วัดได้ว่า Nemotron 3 Ultra สร้างโทเค็นเอาต์พุตมากกว่าค่ามัธยฐานของโมเดลระดับเดียวกัน 2.3 เท่า ตลอดชุดเกณฑ์มาตรฐานของพวกเขา โมเดลให้เหตุผลคิดเงินคุณกับการคิด และตัวนี้คิดยาว ความได้เปรียบด้านราคาต่อโทเค็นระเหยกลายเป็นความเสียเปรียบต่องาน ถ้าโมเดลให้เหตุผลนานกว่าสามเท่าเพื่อไปถึงคำตอบเดียวกัน ตัวช่วยบรรเทามีมาให้ในตัวและเปิดไว้บน API ของเรา: Nemotron 3 ถูกฝึกหลังการฝึกมาเพื่อการควบคุมงบการให้เหตุผล และ reasoning_effort รองรับที่นี่ — NVIDIA อธิบายโหมดใช้ความพยายามต่ำที่ใช้โทเค็นคิดน้อยลงมาก แลกกับความแม่นยำที่ลดลงระดับหลักหน่วย ในงานจำแนก งานสกัดข้อมูล และงานกำหนดเส้นทาง ปรับมันลงแล้วเศรษฐศาสตร์เปลี่ยนไปอย่างมีนัยสำคัญ ส่วนงานพิสูจน์ทางคณิตศาสตร์หรือการรีแฟกเตอร์หลายไฟล์ ปรับมันขึ้นแล้วจ่ายอย่างตั้งใจ วัดโทเค็นต่องานของคุณเอง แทนที่จะอ่านรายการราคาแล้วเดา

08การเรียกใช้: สาม dialect หนึ่งโมเดล

ทุกโมเดลบนเกตเวย์ตอบบนพื้นผิว API แบบสตรีมสามแบบ คุณจึงชี้ไคลเอนต์ที่มีอยู่แล้วมาที่มันได้โดยไม่ต้องเขียนการเชื่อมต่อใหม่: /v1/chat/completions (dialect แบบ OpenAI), /v1/messages (dialect แบบ Anthropic) และ /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."}
    ]
  }'

สรุปความสามารถ เพื่อไม่ให้มีอะไรมาทำให้คุณประหลาดใจตอนเชื่อมต่อ:

ความสามารถ	Nemotron3Ultra · 3BIT-REAP
หน้าต่างคอนเท็กซ์	262,144 โทเค็น
เอาต์พุตสูงสุด / คำขอ	16,384 โทเค็น
การสตรีม	รองรับ
การเรียกใช้ทูล	รองรับ
ร่องรอยการให้เหตุผล	รองรับ
reasoning_effort	รองรับ
json_schema (เข้มงวด)	รองรับ
response_format	รองรับ
การมองเห็น / อินพุตเป็นภาพ	ไม่รองรับ — ข้อความเท่านั้น
ชั้นการปฏิเสธ	ไม่มี

แถวการมองเห็นมักทำให้คนสะดุด: Nemotron3Ultra เป็นข้อความอย่างเดียว ถ้าไปป์ไลน์ของคุณส่งภาพ ให้ใช้ MiniMax-M3-3BIT-REAP หรือ MiMo-V2.5-W8A16 ที่ $0.50/$2.00 หรือ Kimi-K2.6-W4A16-AUTOROUND-REAP ที่ $0.78/$3.67 — ทั้งหมดรองรับการมองเห็น ทั้งหมดไม่เซ็นเซอร์ ทั้งหมดอยู่บนคอนเท็กซ์ 262,144 โทเค็นเดียวกัน เอกสารอ้างอิงพารามิเตอร์ฉบับเต็มอยู่ในเอกสาร API

09Nemotron3Ultra อยู่ตรงไหนในสิบสองโมเดล

ชุดโมเดลคือโมเดลไม่เซ็นเซอร์สิบสองตัวที่ใช้หน้าต่างคอนเท็กซ์เดียวกัน สาม dialect เดียวกัน และการไม่มีชั้นการปฏิเสธเหมือนกัน พวกมันต่างกันที่โมเดลฐาน ราคา และความสามารถ ตำแหน่งของ Nemotron ชัดเจน: ม้างานด้านการให้เหตุผลสายเปิด — ไม่ใช่ถูกที่สุด ไม่ใช่เก่งที่สุด แต่เป็นตัวที่มีร่องรอยเอกสารสาธารณะรองรับพฤติกรรมของมันมากที่สุด และปรับจูนหนักที่สุดไปทาง STEM และเอเจนต์

โมเดล	เข้า / 1M	ออก / 1M	การมองเห็น	เลือกมันเพราะ
MiniMax-M3 · 3BIT-REAP	$0.50	$2.00	รองรับ	ตัวเลือกที่รองรับการมองเห็นซึ่งถูกที่สุด
MiMo-V2.5-Pro · W8A16	$0.50	$2.00	ไม่	ระดับการควอนไทซ์ที่เที่ยงตรงสูงสุด
GLM-5.2 · 3BIT-REAP	$0.73	$2.34	ไม่	การให้เหตุผลบนโมเดลฐานใหญ่ที่ถูกที่สุด
Nemotron3Ultra · 3BIT-REAP	$0.75	$3.30	ไม่	STEM, เอเจนต์, สายเลือดเปิด
Kimi-K2.6 · W4A16-AUTOROUND-REAP	$0.78	$3.67	รองรับ	การมองเห็น + ความเที่ยงตรงแบบ AutoRound
DeepSeek-V4-Pro · 3BIT-REAP	$1.95	$3.90	ไม่	การวิเคราะห์เชิงลึกจบในช็อตเดียว
Kimi-K3 · 3BIT-REAP	$3.83	$19.12	รองรับ	เพดานความสามารถสูงสุด

แสดงเจ็ดจากสิบสอง ชุดโมเดลฉบับเต็ม — รวมถึง Laguna-S-2.1, inkling, DeepSeek-V4-Flash, MiMo-V2.5 และ Hy3 — อยู่ในเอกสาร API โปรดทราบว่า Laguna-S-2.1 ไม่รองรับเอาต์พุตแบบมีโครงสร้าง และ inkling ไม่รองรับ json_schema ส่วน Nemotron3Ultra รองรับทั้งสองอย่าง

เพื่อนบ้านที่ใกล้ที่สุดด้านราคาคือ GLM-5.2-3BIT-REAP ที่ $0.73/$2.34 และการเปรียบเทียบอย่างซื่อตรงคือแบบนี้: GLM-5.2 ถูกกว่าต่อโทเค็น โดยเฉพาะด้านเอาต์พุต ส่วน Nemotron พาคลังข้อมูลฝึกที่เผยแพร่แล้ว ปุ่มปรับงบการให้เหตุผลที่ชัดเจน และประวัติตระกูลที่เล็งไปที่วิทยาศาสตร์ระดับบัณฑิตศึกษามาด้วย งานให้เหตุผลทั่วไปปริมาณมาก: รันตัวที่ถูกกว่า งานหนัก STEM งานเอเจนต์ หรืองานที่ต้องผ่านการตรวจสอบซึ่งถามว่าพฤติกรรมของโมเดลมาจากไหน: Nemotron คุ้มกับส่วนต่าง

10คำถามที่พบบ่อย

---

แหล่งอ้างอิง: รายงานทางเทคนิค NVIDIA Nemotron 3 Ultra · บล็อกนักพัฒนาของ NVIDIA (มิถุนายน 2026) · บันทึกสถาปัตยกรรม Nemotron 3 Super · Llama-Nemotron: Efficient Reasoning Models · Cerebras Research, REAP เกณฑ์มาตรฐานของโมเดลฐานเป็นตัวเลขที่ NVIDIA รายงานบนโมเดลที่ยังไม่บีบอัด เว้นแต่ระบุที่มาว่าเป็น Artificial Analysis บิลด์ที่บีบอัดแล้วอาจให้ผลต่างไป ราคาและความสามารถเป็นข้อมูล ณ วันที่ 5 กันยายน 2026