NVIDIA: Nemotron 3 Super (free)

NVIDIA Nemotron 3 Super är en textmodell från NVIDIA, släppt den 11 mars 2026. Det är en öppen hybrid mixture-of-experts-modell med 120B parametrar som aktiverar bara 12B parametrar, vilket NVIDIA beskriver som ett sätt att få beräkningseffektivitet och noggrannhet i komplexa multi-agent-applikationer. Den är byggd på en hybrid Mamba-Transformer-arkitektur. På api14 listas den under modell-id nvidia/nemotron-3-super-120b-a12b:free.

Modellen arbetar med textinmatning och producerar textutdata. Dess kontextfönster är 262 144 tokens, och den maximala utdatan är 235 929 tokens, så den kan hantera mycket långa indata och ändå returnera långa genereringar i en enda förfrågan. Eftersom det är en modell med resonemangsförmåga kan svar innehålla en resonemangskomponent, och de parametrar som stöds inkluderar include_reasoning, reasoning och reasoning_effort för att styra detta beteende.

Dessa förmågor pekar mot användningsfall där lång kontext och resonemang i flera steg spelar roll. Ett fönster på 262k tokens passar arbete med stora dokument, långa konversationshistoriker eller kodbaser som inte skulle rymmas i mindre modeller. Resonemangsstyrningen och multi-agent-ramverket i NVIDIAs beskrivning gör den till en rimlig kandidat för agentliknande arbetsflöden, verktygsdrivna pipelines och uppgifter som kräver strukturerad utdata. Den stora maximala utdatan hjälper också när ett enda svar måste vara långt, till exempel en detaljerad rapport eller en omfattande extrahering över många poster.

Du anropar den via api14:s OpenAI-kompatibla API med modell-id nvidia/nemotron-3-super-120b-a12b:free. De förfrågningsparametrar den stöder är include_reasoning, max_tokens, reasoning, reasoning_effort, response_format, seed, structured_outputs, temperature, tool_choice, tools och top_p. I praktiken innebär det att du kan ställa in sampling med temperature och top_p, begränsa svaret med max_tokens, göra körningar reproducerbara med seed, begära JSON eller schema-begränsad utdata med response_format och structured_outputs, och ge modellen anropbara funktioner via tools och tool_choice. Resonemangsparametrarna låter dig avgöra om resonemang returneras och hur mycket arbete som läggs på det.

Två begränsningar är värda att notera innan du satsar. Indata är endast text, så den här modellen är inte rätt val om du behöver skicka bilder eller ljud. Den är också en stor modell, och resonemangs- och verktygsfunktionerna ökar förfrågans komplexitet, så för korta, enkla, latenskänsliga textuppgifter kan en mindre modell passa bättre.