NVIDIA: Nemotron 3 Ultra (free)

O NVIDIA Nemotron 3 Ultra é um modelo aberto de raciocínio e orquestração de fronteira da NVIDIA. É um modelo de mistura de especialistas com 55B parâmetros ativos de um total de 550B, construído sobre uma arquitetura híbrida Transformer-Mamba. A data de lançamento do fornecedor é 2026-06-04. No api14 ele aparece como um modelo de texto sob o identificador nvidia/nemotron-3-ultra-550b-a55b:free, e o sufixo free marca a variante disponível neste gateway.

O modelo aceita entrada de texto e retorna saída de texto, portanto se encaixa em pipelines somente de texto em vez de trabalho multimodal. Sua janela de contexto é de 1.000.000 tokens, o que é grande o suficiente para conter bases de código inteiras, conjuntos longos de documentos ou históricos estendidos de conversa em uma única requisição. A saída máxima é de 65.536 tokens, então as respostas podem ser longas, mas ainda estão bem limitadas abaixo da capacidade de entrada. Por ser um modelo de raciocínio, ele pode expor seu processo de raciocínio, e os parâmetros suportados incluem reasoning, reasoning_effort e include_reasoning junto com os controles usuais de amostragem.

Essas capacidades apontam para alguns usos práticos. O contexto longo é adequado para análise sobre grandes repositórios, coleções de documentos jurídicos ou técnicos, e refatorações de múltiplos arquivos onde o modelo precisa ver muitas partes de um projeto ao mesmo tempo. O foco em raciocínio e orquestração o torna um candidato para fluxos de trabalho no estilo agente, planejamento de etapas e tarefas de múltiplos estágios. O suporte a chamada de ferramentas significa que ele pode ser conectado a loops de chamada de função onde o modelo decide qual ferramenta invocar, e o parâmetro seed ajuda quando você quer amostragem repetível durante testes.

Você o chama através da API compatível com OpenAI do api14 usando o id de modelo nvidia/nemotron-3-ultra-550b-a55b:free. Os parâmetros de requisição suportados são include_reasoning, max_tokens, reasoning, reasoning_effort, seed, temperature, tool_choice, tools e top_p. Na prática você envia uma requisição de chat completions com messages, define max_tokens para limitar o teto de saída de 65.536 tokens, ajusta temperature e top_p para amostragem, e passa tools mais tool_choice quando você quer chamada de função. Use reasoning_effort ou reasoning para controlar quanto raciocínio o modelo produz, e include_reasoning se você quer o raciocínio retornado na resposta.

Tenha em mente o contexto de 1.000.000 tokens e os limites de saída de 65.536 tokens ao dimensionar requisições, já que prompts e saídas compartilham o mesmo orçamento em uma conversa. Se sua tarefa é puramente geração de texto em pequena escala, um modelo mais leve pode ser mais simples, mas para raciocínio de contexto longo, orquestração e uso de ferramentas, este modelo cobre essas necessidades diretamente.