NVIDIA: Nemotron 3 Super (free)

NVIDIA Nemotron 3 Super to model tekstowy firmy NVIDIA, wydany 11 marca 2026. Jest to otwarty hybrydowy model typu mixture-of-experts z 120B parametrami, który aktywuje zaledwie 12B parametrów, co NVIDIA opisuje jako sposób na uzyskanie wydajności obliczeniowej i dokładności w złożonych aplikacjach wieloagentowych. Został zbudowany na hybrydowej architekturze Mamba-Transformer. W api14 jest wymieniony pod identyfikatorem modelu nvidia/nemotron-3-super-120b-a12b:free.

Model przyjmuje dane wejściowe w formie tekstu i generuje dane wyjściowe w formie tekstu. Jego okno kontekstowe wynosi 262 144 tokeny, a maksymalna długość odpowiedzi to 235 929 tokenów, dzięki czemu może pomieścić bardzo długie dane wejściowe i nadal zwracać długie generacje w ramach pojedynczego żądania. Ponieważ jest to model zdolny do rozumowania, odpowiedzi mogą zawierać komponent rozumowania, a obsługiwane parametry obejmują include_reasoning, reasoning oraz reasoning_effort do kontrolowania tego zachowania.

Te możliwości wskazują na przypadki użycia, w których liczą się długi kontekst i wieloetapowe rozumowanie. Okno 262k tokenów pasuje do pracy z dużymi dokumentami, długimi historiami rozmów lub bazami kodu, które nie zmieściłyby się w mniejszych modelach. Mechanizmy kontroli rozumowania oraz wieloagentowe ujęcie w opisie NVIDIA czynią go rozsądnym kandydatem do przepływów pracy w stylu agentowym, potoków opartych na narzędziach oraz zadań wymagających ustrukturyzowanych danych wyjściowych. Duża maksymalna długość odpowiedzi pomaga również, gdy pojedyncza odpowiedź musi być długa, na przykład szczegółowy raport lub rozszerzona ekstrakcja z wielu rekordów.

Wywołujesz go przez zgodne z OpenAI API api14, używając identyfikatora modelu nvidia/nemotron-3-super-120b-a12b:free. Obsługiwane parametry żądania to include_reasoning, max_tokens, reasoning, reasoning_effort, response_format, seed, structured_outputs, temperature, tool_choice, tools oraz top_p. W praktyce oznacza to, że możesz ustawić próbkowanie za pomocą temperature i top_p, ograniczyć odpowiedź za pomocą max_tokens, uczynić uruchomienia powtarzalnymi za pomocą seed, zażądać danych wyjściowych w formacie JSON lub ograniczonych schematem za pomocą response_format i structured_outputs oraz udostępnić modelowi funkcje wywoływalne za pomocą tools i tool_choice. Parametry rozumowania pozwalają zdecydować, czy rozumowanie ma być zwracane i ile wysiłku się na nie przeznacza.

Przed podjęciem decyzji warto zwrócić uwagę na dwa ograniczenia. Dane wejściowe są wyłącznie tekstowe, więc ten model nie jest właściwym wyborem, jeśli potrzebujesz wysyłać obrazy lub dźwięk. Jest to również duży model, a funkcje rozumowania i narzędzi zwiększają złożoność żądania, więc do krótkich, prostych zadań tekstowych wrażliwych na opóźnienia lepiej może pasować mniejszy model.