Uncensored na Nemotron API

Karamihan sa mga modelong "bukas" ay bukas na weights at wala nang iba — isang tarball ng mga parameter, isang lisensya, at katahimikan tungkol sa pinagmulan ng mga numero. Ang Nemotron ang matiyagang eksepsiyon sa loob ng dalawang taon: ipinapadala ng NVIDIA ang mga weights, ang mga post-training dataset, ang mga RL environment at ang resipe. Mahalaga iyon para sa isang uncensored na endpoint sa paraang madaling hindi mapansin. Ang isang modelong nailathala ang datos ng alignment ay isang modelong kaya mong pag-isipan ang asal sa pagtanggi sa halip na hulaan lamang — at isang modelong maaaring lehitimong ideploy ng ikatlong panig nang walang content filter na nakabusal sa bibig nito.

01Ano ang Nemotron 3 Ultra?

Ang Nemotron 3 Ultra ang pinakamalaking kasapi ng pamilyang Nemotron 3 ng NVIDIA, inilabas sa Hugging Face noong Hunyo 4, 2026. Inilalarawan ito ng teknikal na ulat ng NVIDIA bilang "isang 550 bilyong kabuuan at 55 bilyong aktibong parameter na Mixture-of-Experts Hybrid Mamba-Attention na language model" — humigit-kumulang 10% ng network ang gumagana sa alinmang ibinigay na token, at iyon ang nagpapadali upang maihain man lamang ang isang kalahating-trilyong-parameter na model.

Ang iniulat na kaayusan ay 108 layer sa model dimension na 8,192, na hinahabi ang Mamba-2 state-space layers kasama ang kakaunting buong attention layer, 512 expert kada MoE layer na may top-22 na pagruruta. Ang pretraining ay tumakbo sa humigit-kumulang 20 trilyong token ng teksto sa dalawang yugto — unang nakakiling sa pagkakaiba-iba, pagkatapos ay sa kalidad — na may cutoff na Setyembre 2025, 12 natural na wika at 43 wikang pamprograma. Gumamit ang post-training ng SFT, multi-environment RL na may napapatunayang gantimpala, at Multi-Teacher On-Policy Distillation sa mahigit sampung espesyalistang guro. Ang nakasaad na tunguhin ng disenyo ay mga agent na matagal tumakbo: mga sesyong may hawak na malaking context, tumatawag ng tool nang dose-dosenang ulit, at tumatagal nang husto kaya ang ekonomiya kada token ang nangingibabaw sa bayarin.

02Ang lahi ng Nemotron, at bakit mahalaga ang pedigree

Hindi minsanan lamang ang Nemotron. Ito ang nakikitang bunga ng isang programa ng pananaliksik ng NVIDIA na tumatakbo sa parehong direksiyon mula 2024, at may naiwan ang bawat henerasyon na dala pa rin ng kasalukuyang model. Ang Nemotron-4 340B (Hunyo 2024) ay dumating na may bukas na pipeline sa paglikha ng sintetikong datos, ang reward model nito at ang generator nito, kasama ang isang pambihirang paglalantad: napakalaking bahagi ng datos ng alignment nito ay galing sa model mismo. Ang model bilang pabrika ng datos sa halip na orakulo ang dahilan kung bakit patuloy na naglalabas ng mga dataset katabi ng weights ang mga sumunod na Nemotron.

Llama-Nemotron — pangangatwirang kaya mong patayin

Ang pamilyang Llama-Nemotron ng 2025 (LN-Nano 8B, LN-Super 49B, LN-Ultra 253B) ay nag-ambag ng dalawang ideyang tumagal nang maganda. Ang una ay arkitektural: ang Puzzle na neural architecture search ng NVIDIA ay bumuo ng aklatan ng mga block-wise-distilled na transformer block at pinagsama-sama ang mga ito sa pamamagitan ng mixed-integer programming, na lumikha ng mga modelong may ilang block na tuluyang nilalaktawan ang attention o pinapalitan ito ng isang linear layer, samantalang ang FFN Fusion ay pinagsanib ang magkakasunod na feed-forward block sa mas kaunti, mas malapad at parallel na bloke — pinuputol ang sunud-sunod na lalim sa halip na ang bilang ng parameter. Kasya ang LN-Ultra sa iisang 8×H100 na node habang, ayon sa papel ng NVIDIA, hinihigitan ang DeepSeek-R1 sa GPQA-Diamond (76.0% laban sa 71.5%).

Ang pangalawa ay pang-asal: ang Llama-Nemotron ang unang bukas na pamilyang may dinamikong toggle ng pangangatwiran, na tinatatakan ang datos ng pagsasanay ng detailed thinking on o detailed thinking off sa system instruction, na may mga format reward na nagpapatupad ng <think> na tag sa on-mode. Isang set ng weights, dalawang asal, mapipili sa oras ng inference. Ang kontrol sa badyet ng pangangatwiran ng Nemotron 3 — at ang reasoning_effort na parameter sa aming API — ay tuwirang nagmula sa trabahong iyon.

Nemotron 3 — ang pagliko sa hybrid

Pinalitan ng Nemotron 3 ang derivation mula sa Llama ng isang hybrid na arkitekturang gawa mula sa simula at idinagdag ang LatentMoE (pagsisiksik ng mga token bago ang pagruruta, na ayon sa NVIDIA ay nagpapahintulot ng "4x na mas maraming expert sa parehong halaga ng inference"), multi-token prediction, at native na NVFP4 na pretraining. Naglathala ang NVIDIA ng kabuuang 50 milyong SFT sample, 2 milyong RL task at 55 RL environment katabi ng weights — hindi mo kailangang basta paniwalaan ang salita ng vendor tungkol sa itinuro sa model, dahil nada-download ang kagamitang pampagtuturo.

03Ano ang naibibigay sa iyo ng hybrid na arkitektura

Ang KV cache ng isang transformer ay lumalaki nang linear kasabay ng haba ng sequence, kaya ang mahabang-context na inference ay nagiging mahal sa memorya bago pa sa compute. Ang mga Mamba-2 layer ay state-space model na may dalang recurrent state na nakapirming laki, kaya hindi lumalaki ang halaga nila sa memorya kada token kasabay ng kasaysayan; ang kahinaan nila ay ang tumpak na associative recall. Pinapanatili ng hybrid ang Mamba-2 para sa kalakhan ng pagpoproseso ng sequence kasama ang kakaunting tunay na attention layer para sa recall na nabibitawan ng mga state-space layer, at may agresibong ratio na 64 query head kada 2 KV head na lalo pang nagpapaliit sa cache. Iniuulat ng NVIDIA ang 94.7% sa RULER sa 1M na token — isang benchmark ng paghahanap ng karayom na ginawa upang mahuli ang mga modelong nagsasabing may window silang hindi naman nila magamit.

Ang bunga nito ay throughput: sinasabi ng NVIDIA na hanggang humigit-kumulang 6× na mas mataas ang throughput ng inference kaysa sa mga katulad na modelo sa magkatulad na katumpakan, at malayang sinukat ng Artificial Analysis ang 140.3 token kada segundo na may 1.33-segundong oras hanggang sa unang token — ika-7 sa 89 na model. Sa isang 200-turn na takbo ng agent, iyon ang pagkakaiba ng pagtatapos sa loob ng isang hapon at ng hindi pagtatapos.

04Ano ang ibig sabihin ng "3BIT-REAP", nang tapatan

Hindi palamuti ang suffix — sinasabi nito nang eksakto kung ano ang ginawa sa pundasyon upang magkasya ito.

Ang REAP — Router-weighted Expert Activation Pruning — ay nagmula sa Cerebras Research at tinanggap sa ICLR 2026. Sa isang sparse na MoE, ipinapadala ng router ang bawat token sa iilang expert; sa isang tunay na workload, ang ilan ay palaging tinatamaan at ang iba ay halos hindi kailanman. Iniiskor ng REAP ang bawat expert sa isang saliency criterion na pinagsasama ang kung gaano kalakas itong niruruta ng router at kung gaano kalaki ang ambag nito sa output, pagkatapos ay tuluyang tinatanggal ang pinakamahihina — iniuulat ng Cerebras ang pagpupungos ng hanggang 50% ng mga expert mula sa mga modelong kasinlaki ng 1 trilyong parameter habang malaki ang naipapanatiling baseline na kalidad, at natuklasan nilang para sa mga gawaing generative gaya ng code, mas mainam ang pagpupungos kaysa paghahalo. Pagkatapos ay sinisiksik ng 3-bit na kuwantisasyon ang mga nakaligtas. Pungusin muna, saka kuwantisahin, kaya napupunta ang badyet ng bit sa mga expert na may dinadalang trapiko sa halip na maikalat sa mga patay na.

Hindi libre ang pagsisiksik, at hindi namin ito ipagkakaila: unang lumilitaw ang agresibong kuwantisasyon bilang maliliit na pagbaba sa pagsunod sa eksaktong pormat at sa mahabang kadena ng aritmetika, hindi bilang halatang kalituhan. Narito kung saan bumabagsak ang tatlong antas:

Suffix	Ano ito	Saan namin ginagamit
3BIT-REAP	3-bit na weights + pagpupungos ng expert	Ang pinakamalalaking pundasyon, kung saan walang ibang kasya nang mabilis
W4A16-AUTOROUND-REAP	4-bit na weights / 16-bit na activation, AutoRound na natutong pagbibilog, + pagpupungos	Katamtamang-laking pundasyon; nababawi ng AutoRound ang katumpakang nawawala sa payak na round-to-nearest
W8A16	8-bit na weights / 16-bit na activation	Pinakamataas na katapatan; mga pundasyong sapat na liit para hindi kailanganin ang agresibong pagsisiksik

Ang Nemotron 3 Ultra sa 550B ay tiyak na nasa unang kategorya. Kung ang iyong workload ay pambihirang sensitibo sa eksaktong numerikong output sa mahabang kadena, nakalista sa indise ng pananaliksik ang antas na W8A16 — MiMo-V2.5-Pro-W8A16 at Hy3-W8A16 — sa sahig na $0.50/$2.00. Isang tunay na palitan, hindi isang funnel: mas maliit na model, mas kaunting pagsisiksik.

05Ano ang ibig sabihin ng "uncensored" sa endpoint na ito

Sa kongkreto: walang refusal layer at walang pagsala ng nilalaman na ipinapataw sa output. Walang classifier na sumisiyasat sa iyong prompt at nagbabalik ng nakahandang pagtanggi, at hindi iniiskan ang tugon bago ito makarating sa iyong stream. Ang nakukuha mo ay ang sariling asal ng model.

Dito huminto sa pagiging trivia ang bukas na lahi. Dahil inilathala ng NVIDIA ang datos ng post-training at ang mga RL environment, ang mga disposisyon ng model ay maaawdit sa prinsipyo sa halip na maging alamat lamang. At dahil ang OpenMDW-1.1 ay isang mapagbigay na lisensya ng Linux Foundation na sumasaklaw sa arkitektura, mga parameter, dokumentasyon at software, maaaring maghain ang isang malayang operator ng binagong deployment na hindi sinasala sa sariling hardware nang hindi hadlang ang lisensya. Maraming lisensya ng "bukas" na model ang hindi nagpapahintulot niyan. Ito, pinapahintulutan. Lumilitaw ang pagkakaiba kung saan ang reflex na pagtanggi ay bug, hindi tampok pangkaligtasan:

• Pananaliksik sa seguridad — pagsusuri ng kahinaan, pangangatwiran sa exploit, asal ng malware, kagamitan sa red team, nang hindi na nakikipagtalo kung pinapayagan ba ang tanong.
• Kimika, biyolohiya at parmakolohiya — matematika ng dosis, mekanismo ng reaksiyon, toksikolohiya, mga ruta ng sintesis na tinatanggihan ng sinasalang endpoint sa unang sagi pa lamang ng keyword.
• Adversarial ML — mahihirap na negatibo, korpus ng jailbreak at taksonomiya ng pang-aabuso para sa mga classifier na kailangang nakakita na ng tunay na bagay.
• Klinikal, legal at forensikong teksto — materyal ng kaso na likas na madugo at tinatanggihan nang eksakto sa dahilang iyon.

Ang uncensored ay hindi walang pananagutan. Sa iyo ang nililikha mo, at ang aming Responsible Use Policy at Terms of Service ang namamahala sa account. Ang pag-aalis ng refusal layer ay nag-aalis ng hula tungkol sa layunin; hindi nito inaalis ang iyong mga obligasyon sa ilalim ng batas na saklaw ka.

06STEM at pangangatwiran: ano ang sinasabi ng mga nailathalang numero

Ang pokus ng pagsasanay ng Nemotron ay matematika, code, agham at pagsunod sa tagubilin mula pa nang itayo ang post-training dataset ng Llama-Nemotron sa palibot ng eksaktong apat na aksis na iyon. Ang iniuulat ng NVIDIA para sa pundasyong Nemotron 3 Ultra — mga bilang na iniulat ng vendor sa hindi pinasiksik na model, na hindi namin pinatakbo:

Dalawang babala na mas mahalaga kaysa sa mga numero. Ang bilang sa SWE-Bench Verified ay isang saklaw — iniuulat ng NVIDIA ang 65.0% hanggang 70.4% depende kung aling agent harness ang nagpapatakbo nito (Pi, OpenHands, Hermes, OpenCode, Mini SWE Agent), at ang limang-puntong agwat na mula sa scaffolding lamang ay nagpapakita kung gaano kalaki ang pagdepende ng mga agentikong iskor sa harness sa halip na sa model. At inilagay ng Artificial Analysis ang Nemotron 3 Ultra sa 48 sa kanilang Intelligence Index, ika-9 sa 89 na model — malakas, hindi tuktok ng larangan, at ang malaya nilang sukat ang aming bibigyan ng mas malaking timbang kaysa sa anumang slide ng vendor.

Sa naunang henerasyon, iniuulat ng papel ng NVIDIA na Llama-Nemotron ang LN-Ultra sa 76.0% sa GPQA-Diamond laban sa 71.5% ng DeepSeek-R1 at 43.4% ng Llama-3.1-405B-Instruct, kasama ang 80.8% sa AIME 2024 — ibang model, isinama dahil ang agham sa antas ng gradwado at ang matematika sa paligsahan ang tinutumbok ng pamilya sa dalawang henerasyon.

Mga bilang ng benchmark ayon sa inilathala ng NVIDIA (Hunyo 2026) sa hindi pinasiksik na Nemotron 3 Ultra, at ng Artificial Analysis para sa mga malayang sukat. Maaaring magkaiba ang mga pinasiksik na build. Hindi kami naglalathala ng bilang ng benchmark na hindi namin napatunayan o hindi namin maiuugnay sa pinagmulan.

07Presyo, at ang babala sa pagiging madaldal

Sa $0.75 kada milyong input token at $3.30 kada milyong output token, ang Nemotron3Ultra ay nasa mababang ikatlong bahagi ng aming katalogo sa input at nasa gitna sa output. Mga halimbawang kinalkula, dahil mahirap maramdaman ang presyong kada milyon:

Hugis ng tawag	Input	Output	Halaga
Karaniwang RAG na turn	50,000	4,000	$0.051
Pagsusuri ng mahabang dokumento	150,000	8,000	$0.139
Pinakamalaking tawag	262,144	16,384	$0.251

Ang kahilingang buong-context at buong-output — bawat token na tatanggapin ng endpoint at bawat token na ilalabas nito — ay nagkakahalaga ng mga 25 sentimo. Ang parehong hugis sa Kimi-K3-3BIT-REAP, ang pinakamahal naming model sa $3.83/$19.12, ay nagkakahalaga ng mga $1.32, o 5.3× na mas mahal.

Ngayon ang babala, at totoo ito. Sinukat ng Artificial Analysis na ang Nemotron 3 Ultra ay lumilikha ng 2.3× na mas maraming output token kaysa sa median na katunggali sa kanilang suite ng benchmark. Sinisingil ka ng mga modelong nangangatwiran para sa pag-iisip, at mahaba ang iniisip nito; naglalaho ang bentahe sa presyong kada token bilang disbentahe kada gawain kung tatlong beses na mas matagal mangatwiran ang model para marating ang parehong sagot. Nakapaloob at nakalantad sa aming API ang panlunas: ang Nemotron 3 ay sinanay pagkatapos para sa kontrol sa badyet ng pangangatwiran, at suportado dito ang reasoning_effort — inilalarawan ng NVIDIA ang isang mas mababang-pagsisikap na mode na gumagamit ng higit na mas kaunting token ng pag-iisip kapalit ng isang-digit na palitan sa katumpakan. Sa klasipikasyon, ekstraksiyon at pagruruta, ibaba mo ito at malaki ang pagbabago sa ekonomiya; sa isang patunay o sa isang refactor na maraming file, itaas mo ito at magbayad nang sinadya. Sukatin ang sarili mong token kada gawain sa halip na basahin ang listahan ng presyo at magpalagay.

08Pagtawag dito: tatlong dayalekto, isang model

Bawat model sa gateway ay sumasagot sa tatlong streaming na ibabaw ng API, kaya maituturo mo rito ang isang umiiral nang client nang hindi muling isinusulat ang iyong integrasyon: /v1/chat/completions (dayalektong OpenAI), /v1/messages (dayalektong Anthropic), at /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."}
    ]
  }'

Buod ng kakayahan, para walang biglang gulat sa oras ng integrasyon:

Kakayahan	Nemotron3Ultra · 3BIT-REAP
Context window	262,144 na token
Pinakamataas na output / kahilingan	16,384 na token
Streaming	Oo
Tool calling	Oo
Mga bakas ng pangangatwiran	Oo
reasoning_effort	Oo
json_schema (mahigpit)	Oo
response_format	Oo
Vision / input na larawan	Hindi — teksto lamang
Refusal layer	Wala

Ang hilera ng vision ang nakakabitag sa marami: teksto lamang ang Nemotron3Ultra. Kung nagpapadala ng larawan ang iyong pipeline, gamitin ang MiniMax-M3-3BIT-REAP o MiMo-V2.5-W8A16 sa $0.50/$2.00, o ang Kimi-K2.6-W4A16-AUTOROUND-REAP sa $0.78/$3.67 — lahat may kakayahan sa vision, lahat uncensored, lahat nasa parehong 262,144-token na context. Nasa dokumentasyon ng API ang buong sanggunian sa parameter.

09Saan nakalagay ang Nemotron3Ultra sa labindalawa

Ang katalogo ay labindalawang uncensored na model na may iisang context window, iisang tatlong dayalekto at iisang kawalan ng refusal layer; nagkakaiba sila sa pundasyon, presyo at kakayahan. Tiyak ang posisyon ng Nemotron: ang kabayo ng pangangatwiran na may bukas na lahi — hindi ang pinakamura, hindi ang pinakamahusay, ngunit ang may pinakamaraming pampublikong bakas ng papel sa likod ng asal nito, na pinakamatinding inihanda para sa STEM at sa mga agent.

Model	In / 1M	Out / 1M	Vision	Piliin para sa
MiniMax-M3 · 3BIT-REAP	$0.50	$2.00	Oo	Pinakamurang may kakayahan sa vision
MiMo-V2.5-Pro · W8A16	$0.50	$2.00	Hindi	Pinakamataas na katapatan ng kuwantisasyon
GLM-5.2 · 3BIT-REAP	$0.73	$2.34	Hindi	Pinakamurang pangangatwiran sa malaking pundasyon
Nemotron3Ultra · 3BIT-REAP	$0.75	$3.30	Hindi	STEM, mga agent, bukas na lahi
Kimi-K2.6 · W4A16-AUTOROUND-REAP	$0.78	$3.67	Oo	Vision + katapatan ng AutoRound
DeepSeek-V4-Pro · 3BIT-REAP	$1.95	$3.90	Hindi	Malalim na isahang pagsusuri
Kimi-K3 · 3BIT-REAP	$3.83	$19.12	Oo	Ganap na kisame ng kakayahan

Pito sa labindalawa ang ipinapakita. Ang buong katalogo — kasama ang Laguna-S-2.1, inkling, DeepSeek-V4-Flash, MiMo-V2.5 at Hy3 — ay nasa dokumentasyon ng API. Tandaang hindi sinusuportahan ng Laguna-S-2.1 ang structured output at hindi sinusuportahan ng inkling ang json_schema; sinusuportahan ng Nemotron3Ultra ang pareho.

Ang pinakamalapit na kapitbahay ayon sa presyo ay ang GLM-5.2-3BIT-REAP sa $0.73/$2.34, at ito ang tapat na paghahambing: mas mura ang GLM-5.2 kada token, lalo na sa output. Ang dala ng Nemotron ay isang nailathalang korpus ng pagsasanay, isang malinaw na dayal sa badyet ng pangangatwiran, at isang kasaysayan ng pamilyang nakatutok sa agham sa antas ng gradwado. Pangkalahatang pangangatwiran sa mataas na dami: patakbuhin ang mas mura. Mabigat sa STEM, agentiko, o sasailalim sa awdit na nagtatanong kung saan nagmula ang asal ng model: pinagsusumikapan ng Nemotron ang pagkakaiba.

10Mga madalas itanong

---

Mga sanggunian: teknikal na ulat ng NVIDIA Nemotron 3 Ultra · blog ng developer ng NVIDIA (Hunyo 2026) · mga tala sa arkitektura ng Nemotron 3 Super · Llama-Nemotron: Efficient Reasoning Models · Cerebras Research, REAP. Ang mga benchmark ng pundasyon ay iniulat ng NVIDIA sa hindi pinasiksik na model maliban kung iniuugnay sa Artificial Analysis; maaaring magkaiba ang mga pinasiksik na build. Ang mga presyo at kakayahan ay wasto simula Setyembre 5, 2026.