Puis-je exécuter Nemotron 3 Nano 30B A3B localement ?

Oui — les poids sont entièrement ouverts et disponibles sur Hugging Face sous la NVIDIA Nemotron Open Model License. Avec 30 milliards de paramètres au total, vous aurez besoin d'une VRAM importante pour l'inférence en pleine précision, mais la conception MoE signifie que seuls 3,5 milliards de paramètres sont actifs par token.

Quel est le coût via API et quelle est la limite de contexte ?

NVIDIA indique 0,06 $ par million de tokens d'entrée et 0,24 $ par million de tokens de sortie, avec une fenêtre de contexte de 262 144 tokens.

Comment se compare-t-il à Qwen3-30B-A3B ?

Ils partagent le même nombre de paramètres actifs et l'échelle MoE. Nemotron est en tête sur les tâches agentiques (SWE-Bench, BFCL, moyenne Arena-Hard) et les mathématiques formelles (MiniF2F) ; Qwen3-30B-A3B domine en récupération long contexte (AA-LCR) et connaissances générales (MMLU-Pro). Nemotron est aussi livré avec des données d'entraînement et recettes ouvertes, ce que Qwen3 ne propose pas.

Nemotron 3 Nano 30B A3B

3117°

#llm #nvidia #raisonnement #agents #programmation #local

Lancer ce modèle

Offres / Pub

OpenRouter Terminal / API

Payer par token

Discute avec ce modèle dans le navigateur ou appelle-le depuis ton code avec une clé API.

NVIDIA | contexte de 262 144 tokens | 0,06 $/M entrée, 0,24 $/M sortie. NVIDIA Nemotron 3 Nano 30B A3B est un petit modèle de langage MoE avec la plus haute efficacité de calcul et précision pour permettre aux développeurs de construire des systèmes d'IA agentiques spécialisés. Le modèle est entièrement ouvert avec poids, jeux de données et recettes ouverts afin que les développeurs puissent facilement personnaliser, optimiser et déployer le modèle sur leur infrastructure pour une confidentialité et une sécurité maximales.

Guides pour ce modèle

Meilleur LLM local par cas d’usage (octobre 2026) : le bon modèle open source pour chaque tâche

De combien de VRAM ai-je vraiment besoin pour l'IA locale ?

Poids ouverts vs open source vs API uniquement : ce que tu peux vraiment faire

Qu'est-ce qu'un fichier GGUF ? Explication des modèles quantifiés (Q4, Q8, fp8, NF4)

Tous les guides

Notes du capitaine

Écrit par Captain, le rédacteur maison

Notes du 2026-10-13

Nemotron 3 Nano 30B A3B est un modèle Mixture-of-Experts de NVIDIA qui n'active que 3,5 milliards de paramètres par token tout en mobilisant 30 milliards au total, ce qui le rend particulièrement efficace pour sa catégorie de capacité. Il est conçu spécifiquement pour les workflows agentiques et supporte des traces de raisonnement activables. Poids, jeux de données et recettes d'entraînement sont tous ouverts, vous pouvez donc le fine-tuner et l'héberger vous-même sans demander d'autorisation.

Connu pour

Chaîne de pensée activable : traces de raisonnement activées ou désactivées par requête.
Solides benchmarks agentiques, incluant SWE-Bench et scores BFCL pour appels de fonction.
Architecture MoE activant seulement 3,5 milliards de paramètres sur 30 milliards par token pour un coût de calcul faible.
Fenêtre de contexte de 262k tokens avec de bons scores RULER en récupération.
Entièrement ouvert : poids, jeux de données et recettes d'entraînement publiés.

Attention à

Réglementé par la NVIDIA Nemotron Open Model License, pas une licence permissive Apache ou MIT — lisez-la avant déploiement.
La récupération en long contexte (AA-LCR) est nettement moins performante que Qwen3-30B-A3B ; ne comptez pas dessus pour des recherches profondes dans de grandes bases.
30 milliards de paramètres au total signifie qu'il faut une VRAM conséquente pour l'exécuter localement en pleine précision.

Idéal pour

Agents et utilisation d'outils

Raisonnement

Programmation

Fonctionne localement

Contexte long

Prompts à essayer

Déboguer un outil agent défaillant

J'ai un agent Python qui appelle une API météo puis écrit un résumé dans un fichier. Il échoue silencieusement quand l'API renvoie un 429. Montrez-moi comment ajouter une logique de retry avec backoff exponentiel, gérer proprement l'erreur de limitation de débit, et enregistrer les échecs sans faire planter la boucle agent. Montrez le code révisé.

Vérification d'une preuve mathématique difficile

Prouvez que pour tout entier n supérieur à 1, n^5 - n est divisible par 30. Montrez chaque étape du raisonnement, identifiez les facteurs premiers traités séparément, et confirmez que le résultat tient pour n = 2, 3 et 6 comme vérification.

Planifier une tâche de recherche multi-étapes

Vous êtes un agent avec accès à un outil de recherche web et un outil d'exécution de code. Élaborez un plan étape par étape pour déterminer lequel des cinq plus grands modèles de langage à poids ouverts sortis en 2025 a le coût par token utile le plus bas sur les tâches de codage. Spécifiez ce que fait chaque appel d'outil et quels sont les points de décision entre les étapes.

Comparer avec

Nemotron 3 Ultra
Modèle à poids ouverts
Contexte de 262,144 tokens · entrée $0.60/M, sortie $2.40/M
Nemotron 3.5 Lightning
Modèle à poids ouverts
Contexte de 262,144 tokens · entrée $0.07/M, sortie $0.20/M
Nemotron 3 Super
Modèle à poids ouverts
Contexte de 262,144 tokens · entrée $0.08/M, sortie $0.45/M
NVIDIA Nemotron 3 Ultra 550B A55B
Modèle à poids ouverts
Contexte de 262,144 tokens · entrée $0.50/M, sortie $2.20/M

Plus de modèles de texte de nvidia

Questions fréquentes

Puis-je exécuter Nemotron 3 Nano 30B A3B localement ?: Oui — les poids sont entièrement ouverts et disponibles sur Hugging Face sous la NVIDIA Nemotron Open Model License. Avec 30 milliards de paramètres au total, vous aurez besoin d'une VRAM importante pour l'inférence en pleine précision, mais la conception MoE signifie que seuls 3,5 milliards de paramètres sont actifs par token.
Quel est le coût via API et quelle est la limite de contexte ?: NVIDIA indique 0,06 $ par million de tokens d'entrée et 0,24 $ par million de tokens de sortie, avec une fenêtre de contexte de 262 144 tokens.
Comment se compare-t-il à Qwen3-30B-A3B ?: Ils partagent le même nombre de paramètres actifs et l'échelle MoE. Nemotron est en tête sur les tâches agentiques (SWE-Bench, BFCL, moyenne Arena-Hard) et les mathématiques formelles (MiniF2F) ; Qwen3-30B-A3B domine en récupération long contexte (AA-LCR) et connaissances générales (MMLU-Pro). Nemotron est aussi livré avec des données d'entraînement et recettes ouvertes, ce que Qwen3 ne propose pas.

Verdict du capitaine
Un MoE véritablement ouvert, orienté agent, qui surpasse son poids actif — à considérer si vous hébergez vous-même des pipelines de raisonnement.

Fiche modèle sur Hugging Face

Le capitaine écrit ces notes à partir de la description et de la fiche modèle. Les prix et tailles de contexte sont ceux du fournisseur au moment de la rédaction et peuvent changer.

Ranking badge

Updated Oct 22, 2026

Made this model? Show this badge on your page.

Paste it into your Hugging Face card or Civitai description.

Change colors / personalize / get code

Not this creator?

Get your own badge

Comment ce score se calcule

Ce modèle n’a pas encore de données de popularité provenant de sources, donc il porte un nombre de remplacement en dessous de 7,000° pour que les listes restent complètes. Il ne sera jamais mieux classé qu’un modèle avec des données. La répartition apparaît ici dès qu’une source la rapporte.

Glossaire : les termes utilisés ici

Score de chaleur: Un seul chiffre pour montrer à quel point un modèle est utilisé et recherché en ce moment, de 0° à 9 999°. Chaque liste sur ce site qui dit « les plus chauds » est triée selon ce score et rien d’autre.
Plancher: Les 7 000° que chaque modèle avec des données réelles commence avec. L’échelle va de 0° à 9 999° ; la partie sous le plancher est réservée aux remplaçants (modèles sans données), pour qu’un modèle avec données soit toujours mieux classé qu’un sans. Le plancher est le même pour tous et ne décide rien ; les degrés au-dessus sont la mesure.
Équivalents de téléchargement: Tout ce que le score considère comme un téléchargement, additionné : les téléchargements eux-mêmes, chaque seeder torrent comme 1 000, chaque image AI Horde et chaque exécution sur un site de génération comme un.
Échelle logarithmique: On compte par dizaines, pas par unités : passer de 1 000 à 10 000 téléchargements ajoute autant de degrés que passer de 10 000 à 100 000. Ça évite que les géants écrasent tout le reste.
Likes: Les pouces levés et likes de toutes sources, valant chacun la moitié d’un téléchargement sur l’échelle logarithmique.
Taux d’adoption: Combien de téléchargements par jour un modèle obtient en ce moment, calculé à partir de la différence entre deux relevés d’une source. Un quart du poids du terme téléchargement.
Mesuré et estimé: Mesuré signifie qu'il existe deux relevés d'une source et que la différence est réelle. Estimé signifie que seul le total d'aujourd'hui est connu et que le passé est réparti sur la durée de vie du modèle ; le site indique lequel est affiché.
Seeder: Quelqu'un qui garde une copie des poids en ligne pour que d'autres puissent les télécharger via un torrent, ou un miroir hébergé qui fait la même chose. Chacun compte comme 1 000 téléchargements.
AI Horde: Un réseau de bénévoles qui génère des images gratuitement sur des ordinateurs donnés. Le nombre d'images créées avec un modèle est public, et chacune compte comme un téléchargement.
Sites de génération: Sites qui hébergent leurs propres copies d'un modèle et permettent aux gens de générer avec, comme PixAI, SeaArt et Yodayo. Leurs téléchargements comptent comme ceux de Civitai et chaque génération compte comme un téléchargement.
Tokens OpenRouter: Un modèle texte servi via une API, comme Claude ou GPT, n'a pas de poids à télécharger, son usage est donc mesuré en tokens : les morceaux de texte lus et écrits via OpenRouter, une passerelle utilisée par de nombreuses applications, sur les 30 derniers jours. Chaque 10,000,000 tokens compte comme un téléchargement. Source : OpenRouter (openrouter.ai/rankings), CC BY 4.0.
Modèle complet (checkpoint): Les poids eux-mêmes, le fichier qui génère tout seul. Il reçoit un bonus parce que les add-ons en dépendent.
LoRA et embedding: Petits fichiers add-on qui orientent les poids de quelqu'un d'autre vers un style, un personnage ou un concept. Ils ne peuvent pas fonctionner seuls.
Famille et poids: La base sur laquelle un modèle est construit, comme SD 1.5, SDXL, Flux ou Wan. Chaque modèle hérite de la date de sortie des poids de sa famille.
Âge: Degrés retirés selon l'ancienneté des poids de la famille : 150° par an, jusqu'à 750°. Cela garde les anciens téléchargements qui ont eu des années pour s'accumuler en haut de la liste.
Boost de la famille: Une petite poussée limitée pour les LoRA d'une famille que ce site met en avant en ce moment, toujours listée dans la répartition.
Score de remplacement: Un nombre stable en dessous du minimum donné à un modèle dont aucune source ne rapporte encore, pour que les listes restent complètes. Il ne dépasse jamais un modèle avec des données.
Nouveau ! (période de grâce): Un modèle âgé de moins de 7 jours affiche Nouveau ! au lieu d'un score et ne figure pas dans le classement. Son score est calculé dès le premier jour, mais un modèle d'un jour grandit plus vite que tout, donc sans attente le #1 de la semaine serait toujours celui sorti hier plutôt que celui qui tient depuis une semaine.
Tendance: Comment la croissance d'un modèle sur une période se compare à la croissance typique d'un modèle sur la même période. Plus rapide que la moyenne signifie une hausse, plus lente une baisse.
Modèle typique: Le milieu du catalogue : la moitié des modèles avec un chiffre ont grandi plus vite sur la période, l'autre moitié plus lentement.

Modèles similaires

GPT 5.2 Pro

TEXT / LLM

Gemini 3 Flash Preview

Modèles d'IA pour générer image, vidéo et texte

Nemotron 3 Nano 30B A3B est un modèle de texte pour la famille Text / LLM, référencé sur ModelTrends.ai, un catalogue en lecture seule de modèles d'IA open source pour l'image, la vidéo et le texte. Comparez-le aux autres modèles Text / LLM et consultez son score de chaleur pour suivre sa tendance.

Plus de modèles Text / LLM Plus de Texte / LLM Text / LLM llm nvidia raisonnement agents programmation local contexte long

Parcourir par famille de modèles