NVIDIA: Nemotron 3 Super

Nemotron 3 Super to model tekstowy NVIDIA, opublikowany pod identyfikatorem modelu nvidia/nemotron-3-super-120b-a12b. NVIDIA opisuje go jako otwarty hybrydowy model MoE z 120B parametrami, który aktywuje zaledwie 12B parametrów, zbudowany na hybrydowej konstrukcji Mamba-Transformer. Poziom "Super" znajduje się w rodzinie Nemotron 3 firmy NVIDIA, a data wydania przez dostawcę to 2026-03-11. Jest to model wyłącznie tekstowy, więc nie przyjmuje obrazów ani dźwięku, i generuje wyjście tekstowe.

Model przyjmuje dane wejściowe w formie tekstu i zwraca wyjście tekstowe. Jego okno kontekstu wynosi 262,144 tokenów, a maksymalne wyjście to 235,929 tokenów, więc długie dane wejściowe i długie generowania są możliwe w ramach pojedynczego żądania. Obsługiwane parametry obejmują standardowe kontrolki próbkowania (temperature, top_p, top_k, min_p, repetition_penalty, frequency_penalty, presence_penalty, seed, stop, logit_bias), a także kontrolki rozumowania (reasoning, reasoning_effort, include_reasoning). Obsługuje również logprobs i top_logprobs, response_format, structured_outputs, tools i tool_choice.

Te możliwości wskazują na kilka praktycznych zastosowań. Duże okno kontekstu pasuje do pracy z długimi dokumentami, takiej jak streszczanie lub wyodrębnianie danych strukturalnych z obszernych raportów, umów lub transkrypcji. Wywoływanie narzędzi i ustrukturyzowane wyjścia czynią go kandydatem do przepływów pracy w stylu agentowym, w których model musi zdecydować, którą funkcję wywołać, i zwrócić argumenty w ustalonym schemacie. Parametry rozumowania pozwalają regulować, ile wewnętrznego rozumowania wykonuje model, co jest przydatne w zadaniach wymagających wieloetapowej analizy, a nie szybkich odpowiedzi. Ponieważ jest wyłącznie tekstowy, pasuje do potoków, które już są oparte na tekście i nie potrzebują wizji.

Wywołujesz go przez API zgodne z OpenAI w api14, ustawiając pole model na "nvidia/nemotron-3-super-120b-a12b". Treść żądania jest zgodna ze strukturą OpenAI chat completions, więc messages, tools, response_format i wymienione powyżej parametry próbkowania można przekazywać bezpośrednio. Jeśli chcesz, aby rozumowanie modelu było widoczne, ustaw include_reasoning lub użyj parametrów reasoning i reasoning_effort. W przypadku uruchomień deterministycznych lub powtarzalnych użyj seed razem z temperature. Jeśli potrzebujesz wyjścia JSON, dostępne są response_format lub structured_outputs.

Jest kilka rzeczy, o których warto pamiętać. Model jest wyłącznie tekstowy, więc jeśli Twoja aplikacja musi odczytywać obrazy lub dźwięk, lepszym wyborem będzie model multimodalny. Okno kontekstu jest duże, ale skończone i wynosi 262,144 tokenów, a limit wyjścia to 235,929 tokenów, więc bardzo duże partie dokumentów mogą nadal wymagać dzielenia na fragmenty. Tryby rozumowania mogą zwiększać opóźnienie, więc w przypadku prostej klasyfikacji lub krótkich odpowiedzi możesz preferować mniejszy model lub model bez rozumowania.