Puis-je exécuter Nemotron 3 Super localement ?

Oui, les poids sont ouverts et disponibles sur Hugging Face sous la NVIDIA Nemotron Open Model License, mais la configuration minimale requiert 2× GPU H100-80GB, donc c'est un déploiement en centre de données ou station de travail haut de gamme, pas une machine grand public.

Quel est le coût de Nemotron 3 Super via API, et quelle est la taille de la fenêtre de contexte ?

Le tarif est de 0,08 $ par million de tokens en entrée et 0,45 $ par million de tokens en sortie ; la fenêtre de contexte s'étend à 1 million de tokens.

En quoi Nemotron 3 Super diffère-t-il du Nemotron Nano ?

Le modèle Super ajoute des couches de prédiction multi-token pour une génération plus rapide et une meilleure qualité, et est entraîné avec une quantification NVFP4 ; le modèle Nano n'inclut pas MTP et vise des empreintes de déploiement plus petites.

▲

70.4%

cette semaine

Nemotron 3 Super

8885°

#llm #nvidia #raisonnement #agents #programmation #contexte long

Ce mois-ci

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 | 0,08 $/M en entrée, 0,45 $/M en sortie. NVIDIA Nemotron 3 Super est un modèle hybride MoE ouvert de 120B paramètres, activant seulement 12B paramètres pour une efficacité maximale de calcul et une précision dans les applications multi-agents complexes. Construit sur une architecture hybride Mamba-Transformer Mixture-of-Experts avec prédiction multi-token (MTP), il offre plus de 50 % de génération de tokens en plus comparé aux meilleurs modèles ouverts. Le modèle dispose d'une fenêtre de contexte de 1M tokens pour la cohérence agent à long terme, le…NVIDIA | contexte de 262 144 tokens | 0,08 $/M en entrée, 0,45 $/M en sortie. NVIDIA Nemotron 3 Super est un modèle hybride MoE ouvert de 120B paramètres, activant seulement 12B paramètres pour une efficacité maximale de calcul et une précision dans les applications multi-agents complexes. Construit sur une architecture hybride Mamba-Transformer Mixture-of-Experts avec prédiction multi-token (MTP), il offre plus de 50 % de génération de tokens en plus comparé aux meilleurs modèles ouverts. Le modèle dispose d'une fenêtre de contexte de 1M tokens pour la cohérence agent à long terme, le raisonnement inter-documents et la planification de tâches multi-étapes. Le MoE latent permet d'appeler 4 experts pour le coût d'inférence d'un seul, améliorant intelligence et généralisation. L'entraînement RL multi-environnements sur plus de 10 environnements offre une précision de pointe sur les benchmarks AIME 2025, TerminalBench et SWE-Bench Verified. Entièrement ouvert avec poids, datasets et recettes sous NVIDIA Open License, Nemotron 3 Super permet une personnalisation facile et un déploiement sécurisé partout — du poste de travail au cloud.

Guides pour ce modèle

Ollama vs LM Studio (2026) : quelle application d’IA locale choisir, et quels modèles top chacun fait tourner

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

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

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

Comment installer Ollama et faire tourner une IA locale (Windows, Mac, Linux)

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 Super est le modèle hybride MoE de 120 milliards de paramètres de NVIDIA qui n'active que 12 milliards de paramètres lors de l'inférence, ce qui le rend bien moins coûteux à exécuter que sa taille totale ne le suggère. Son architecture Mamba-Transformer avec prédiction multi-token pousse la vitesse de génération bien au-delà des modèles ouverts comparables. Il convient aux équipes construisant des pipelines multi-agents, des flux de travail sur documents longs ou de l'automatisation à haut volume qui souhaitent des poids ouverts qu'elles peuvent réellement déployer sur leur propre matériel.

Connu pour

Fenêtre de contexte d'1 million de tokens conçue pour le raisonnement inter-documents et les tâches multi-étapes d'agents
Seulement 12 milliards de paramètres actifs à l'inférence malgré 120 milliards au total — gain d'efficacité sérieux
Les couches de prédiction multi-token offrent une génération plus de 50 % plus rapide que les modèles ouverts comparables
Le mode raisonnement est activable ou désactivable via un simple indicateur dans le template de chat
Poids, ensembles de données et recettes d'entraînement publiés sous la NVIDIA Nemotron Open Model License

Attention à

Exigence matérielle minimale : 2× GPU H100-80GB — ce n'est pas un modèle local pour consommateur.
La NVIDIA Nemotron Open Model License n'est pas une licence open-source standard ; vérifiez ses termes avant un déploiement commercial.
Les données de pré-entraînement s'arrêtent en juin 2025 ; post-entraînement en février 2026 — les événements récents seront absents.

Idéal pour

Agents et utilisation d'outils

Raisonnement

Programmation

Contexte long

Fonctionne localement

Prompts à essayer

Plan multi-étapes pour agent

Vous êtes un agent d'automatisation informatique. Un utilisateur signale : son client VPN se connecte mais toutes les requêtes DNS expirent, uniquement sur le réseau d'entreprise, uniquement depuis une mise à jour du firmware de leur routeur hier. Diagnostiquez les causes probables par ordre de probabilité, puis rédigez un plan de remédiation étape par étape qu'un technicien L1 peut suivre sans escalade.

Raisonnement inter-documents

Voici trois transcriptions d'appels trimestriels aux résultats d'une même entreprise sur 18 mois. Identifiez toute prévision donnée dans les deux premiers appels, puis évaluez si les résultats du troisième appel ont confirmé, manqué ou dépassé chaque engagement. Signalez toute prévision discrètement abandonnée sans explication.

Tâche de codage complexe

Écrivez une fonction Python qui prend un schéma JSON arbitraire et une liste de dicts Python, valide chaque dict selon le schéma, et retourne deux listes : enregistrements valides et invalides avec un message d'erreur par champ. N'utilisez aucune bibliothèque tierce. Incluez des cas limites pour objets imbriqués et tableaux dans vos tests.

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
NVIDIA Nemotron 3 Ultra 550B A55B
Modèle à poids ouverts
Contexte de 262,144 tokens · entrée $0.50/M, sortie $2.20/M
NVIDIA Nemotron 3 Super 120B A12B
Modèle à poids ouverts
Contexte de 262,144 tokens · entrée $0.09/M, sortie $0.40/M

Plus de modèles de texte de nvidia

Questions fréquentes

Puis-je exécuter Nemotron 3 Super localement ?: Oui, les poids sont ouverts et disponibles sur Hugging Face sous la NVIDIA Nemotron Open Model License, mais la configuration minimale requiert 2× GPU H100-80GB, donc c'est un déploiement en centre de données ou station de travail haut de gamme, pas une machine grand public.
Quel est le coût de Nemotron 3 Super via API, et quelle est la taille de la fenêtre de contexte ?: Le tarif est de 0,08 $ par million de tokens en entrée et 0,45 $ par million de tokens en sortie ; la fenêtre de contexte s'étend à 1 million de tokens.
En quoi Nemotron 3 Super diffère-t-il du Nemotron Nano ?: Le modèle Super ajoute des couches de prédiction multi-token pour une génération plus rapide et une meilleure qualité, et est entraîné avec une quantification NVFP4 ; le modèle Nano n'inclut pas MTP et vise des empreintes de déploiement plus petites.

Verdict du capitaine
Un modèle agentique ouvert sérieux — l'efficacité des paramètres actifs est réelle, mais vous avez besoin de matériel de centre de données pour en profiter.

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

Also ranked: Bronze · Hottest this month · #72 Hottest AI model · #40 Hottest Text / LLM model · #40 Hottest Text / LLM text model

Not this creator?

Get your own badge

Tendance de popularité de Nemotron 3 Super

Score de chaleur depuis 11 Mar 2026

Score de popularité

8,885°

Cette semaine

▲

70.4%

8,815° alors, 8,885° maintenant

Ce mois-ci

▲

1,018%

8,567° alors, 8,885° maintenant

L'année passée

n/a

Pas encore publié/suivi

7,000°

Plancher

L’échelle va de 0° à 9 999°. Tout ce qui est en dessous de 7,000° est réservé aux modèles dont aucune source ne rapporte encore de données, ils portent un nombre de remplacement pour que les listes restent complètes. 7,000° est le point où les données mesurées commencent : un modèle avec de vraies données mais presque aucun téléchargement est au plancher, et les mesures remplissent les degrés au-dessus. Le plancher ne dit rien sur le modèle ; seuls les degrés au-dessus le font, et ce sont eux qui différencient un modèle d’un autre.

+1,575°

Tokens OpenRouter

1,780,603,688,222 tokens traités par ce modèle via OpenRouter au cours des 30 derniers jours, prompts et réponses confondus. Chaque 10,000,000 tokens compte comme un téléchargement dans le terme de téléchargement, 178,060 au total ; les tokens du dernier jour s'ajoutent au taux d'adoption. Source : OpenRouter (openrouter.ai/rankings).

+310°

Taux d’adoption

Environ 13,493 téléchargements par jour, mesurés entre deux relevés des sources, jamais estimés à partir d’une moyenne sur la durée. La vitesse compte pour un quart du terme téléchargement, donc une poussée récente apparaît sans qu’un pic d’un jour dépasse des années d’usage.

Afficher le détail

Chaque chiffre sur ce site peut être vérifié. Le score de popularité de ce modèle est de 8,885°, et voici comment il est construit, ingrédient par ingrédient, avec le total cumulé après chaque étape : le plancher, les degrés ajoutés par chaque source, le bonus pour le type de modèle et ce que l’âge de ses poids enlève. Les couleurs correspondent aux bandes du graphique ci-dessus. Le glossaire à la fin définit chaque terme.

1
Commence au plancher.
Pourquoi 7,000° et pas zéro : l’échelle va de 0° à 9 999°, et la partie en dessous de 7,000° est réservée aux modèles dont aucune source ne rapporte encore de données, qui portent un nombre de remplacement pour que les listes restent complètes et ne dépassent jamais un modèle avec données. 7,000° est le point où les données mesurées commencent. Un modèle avec de vraies données mais presque aucun téléchargement est ici ; tout ce qui suit est une mesure, et l’espace au-dessus du plancher contient dix paliers de dix fois plus de téléchargements à 300° chacun. Le plancher est le même pour tous les modèles, donc il ne décide rien ; ce sont les degrés au-dessus qui le font.
7,000°
total en cours
2
Ajoute les téléchargements.
178,060 équivalents de téléchargement au total, venant de Tokens OpenRouter. Multiplier les téléchargements par dix ajoute le même 300°, donc la taille compte mais ne domine jamais le score.
+1,575°
8,575°
total en cours
3
Ajoute le taux d’adoption.
Environ 13,493 téléchargements par jour en ce moment, mesurés entre deux relevés, à un quart du poids.
+310°
8,885°
total en cours
=
Le score de chaleur.
La place de ce modèle dans chaque liste de ce site. Rien d’autre ne le modifie.
8,885°

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.

Voici comment la popularité de ce modèle a évolué par rapport au reste du catalogue : sa croissance en téléchargements, likes et utilisation à chaque période, comparée à la croissance typique des modèles sur la même période, avec son score de chaleur à ce moment-là. Au-dessus de la croissance typique, c’est une hausse, en dessous, une baisse. Le passé est reconstitué à partir des totaux d’aujourd’hui, du premier jour du modèle et de sa vitesse de téléchargement mesurée quand il y a deux relevés ; un modèle qui n’existait pas au début d’une période affiche n/a.

Modèles similaires

Qwen3.5 Plus 2026 02 15

Modèles d'IA pour générer image, vidéo et texte

Nemotron 3 Super 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 contexte long local

Parcourir par famille de modèles