NVIDIA: Nemotron 3 Ultra (free)

NVIDIA Nemotron 3 Ultra è un modello aperto di ragionamento e orchestrazione frontier di NVIDIA. È un modello mixture-of-experts con 55B parametri attivi su 550B totali, costruito su un'architettura ibrida Transformer-Mamba. La data di rilascio del provider è 2026-06-04. Su api14 appare come modello text sotto l'identificatore nvidia/nemotron-3-ultra-550b-a55b:free, e il suffisso free indica la variante disponibile su questo gateway.

Il modello accetta input text e restituisce output text, quindi si adatta a pipeline solo testo anziché a lavori multimodali. La sua finestra di contesto è di 1.000.000 token, abbastanza ampia da contenere interi codebase, lunghi insiemi di documenti o cronologie di conversazione estese in una singola richiesta. L'output massimo è di 65.536 token, quindi le risposte possono essere lunghe, ma restano comunque ben al di sotto della capacità di input. Poiché è un modello di ragionamento, può esporre il proprio processo di ragionamento, e i parametri supportati includono reasoning, reasoning_effort e include_reasoning insieme ai soliti controlli di campionamento.

Queste capacità indicano alcuni usi pratici. Il contesto lungo si presta all'analisi su grandi repository, raccolte di documenti legali o tecnici, e refactor multi-file in cui il modello deve vedere molte parti di un progetto contemporaneamente. L'attenzione al ragionamento e all'orchestrazione lo rende un candidato per workflow in stile agente, fasi di pianificazione e attività multi-stadio. Il supporto al tool calling significa che può essere inserito in cicli di function-calling in cui il modello decide quale strumento invocare, e il parametro seed aiuta quando si desidera un campionamento ripetibile durante i test.

Lo si chiama tramite l'API compatibile con OpenAI di api14 usando il model id nvidia/nemotron-3-ultra-550b-a55b:free. I parametri di richiesta supportati sono include_reasoning, max_tokens, reasoning, reasoning_effort, seed, temperature, tool_choice, tools e top_p. In pratica si invia una richiesta chat completions con messages, si imposta max_tokens per limitare il tetto di output di 65.536 token, si regolano temperature e top_p per il campionamento, e si passano tools più tool_choice quando si desidera il function calling. Usare reasoning_effort o reasoning per controllare quanto ragionamento produce il modello, e include_reasoning se si vuole il ragionamento restituito nella risposta.

Tenere presenti i limiti di contesto di 1.000.000 token e di output di 65.536 token quando si dimensionano le richieste, poiché prompt e output condividono lo stesso budget in una conversazione. Se il compito è puramente generazione di testo su piccola scala, un modello più leggero può essere più semplice, ma per ragionamento a contesto lungo, orchestrazione e uso di strumenti, questo modello copre direttamente tali esigenze.