NVIDIA: Nemotron 3 Ultra (free)

NVIDIA Nemotron 3 Ultra är en öppen frontier-resonerande och orkestrerande modell från NVIDIA. Det är en mixture-of-experts-modell med 55B aktiva parametrar av totalt 550B, byggd på en hybrid Transformer-Mamba-arkitektur. Leverantörens utgivningsdatum är 2026-06-04. På api14 visas den som en textmodell under identifieraren nvidia/nemotron-3-ultra-550b-a55b:free, och suffixet free markerar varianten som är tillgänglig på denna gateway.

Modellen tar emot textinmatning och returnerar textutdata, så den passar textbaserade pipelines snarare än multimodalt arbete. Dess kontextfönster är 1 000 000 tokens, vilket är tillräckligt stort för att rymma hela kodbaser, långa dokumentsamlingar eller utökade konversationshistoriker i en enda begäran. Den maximala utdatan är 65 536 tokens, så svaren kan vara långa, men de är fortfarande begränsade långt under inmatningskapaciteten. Eftersom det är en resonerande modell kan den visa sin resonemangsprocess, och de stödda parametrarna inkluderar reasoning, reasoning_effort och include_reasoning tillsammans med de vanliga samplingskontrollerna.

Dessa förmågor pekar mot några praktiska användningsområden. Den långa kontexten passar analys över stora kodförråd, juridiska eller tekniska dokumentsamlingar och refaktoreringar över flera filer där modellen behöver se många delar av ett projekt samtidigt. Fokuset på resonemang och orkestrering gör den till en kandidat för agentliknande arbetsflöden, planeringssteg och flerstegsuppgifter. Stöd för tool calling innebär att den kan kopplas in i funktionsanropsloopar där modellen avgör vilket verktyg som ska anropas, och parametern seed hjälper när du vill ha repeterbar sampling under testning.

Du anropar den via api14:s OpenAI-kompatibla API med modell-id:t nvidia/nemotron-3-ultra-550b-a55b:free. De stödda begärandeparametrarna är include_reasoning, max_tokens, reasoning, reasoning_effort, seed, temperature, tool_choice, tools och top_p. I praktiken skickar du en chat completions-begäran med messages, ställer in max_tokens för att begränsa taket på 65 536 tokens för utdata, justerar temperature och top_p för sampling och skickar tools plus tool_choice när du vill ha funktionsanrop. Använd reasoning_effort eller reasoning för att styra hur mycket resonemang modellen producerar, och include_reasoning om du vill att resonemanget returneras i svaret.

Tänk på gränserna på 1 000 000 tokens i kontext och 65 536 tokens i utdata när du dimensionerar begäranden, eftersom prompter och utdata delar samma budget i en konversation. Om din uppgift är ren textgenerering i liten skala kan en lättare modell vara enklare, men för långkontextresonemang, orkestrering och verktygsanvändning täcker denna modell dessa behov direkt.