Kann ich Nemotron Content Safety 3.5 lokal ausführen?

Nein. Die Gewichte sind nicht offen und es gibt kein Hugging Face Repository; der Zugriff erfolgt ausschließlich über NVIDIAs API.

Was kostet es und wie groß ist das Kontextfenster?

NVIDIA verlangt 0,20 $ pro Million Eingabetoken und 0,20 $ pro Million Ausgabetoken, mit einem Kontextfenster von 131.072 Token.

Worin unterscheidet es sich von einer Standard-Content-Moderation-API?

Im Gegensatz zu einem festen Kategorienfilter akzeptiert Nemotron Content Safety 3.5 benutzerdefinierte Richtlinien, verarbeitet Bilder ebenso wie Text und liefert eine Begründung statt nur eines Labels, was es als Richter in Sicherheitsbewertungspipelines nützlicher macht.

Nemotron Content Safety 3.5

4039°

#llm #nvidia #vision #datenauszug #forschung

DeepInfra öffnen

nvidia | 131.072 Token Kontext | $0,20/M Eingabe, $0,20/M Ausgabe. Nemotron Content Safety 3.5 ist ein multimodaler Sicherheitsklassifikator von NVIDIA. Ein kompaktes Sicherheitsmodell, das Text, Bilder und benutzerdefinierte Richtlinien verarbeitet. Es liefert eine sichere/unsichere Klassifizierung plus eine Begründungsspuren und kann als Schutzmaßnahme zur Inferenzzeit, als Richter für LLM-Sicherheitstests und -bewertungen oder zusammen mit dem zugehörigen Trainingsdatensatz zur Nachschulung von Modellen für sicheres Verhalten verwendet werden.

Anleitungen zu diesem Modell

Was ist eine GGUF-Datei? Quantisierte Modelle erklärt (Q4, Q8, fp8, NF4)

Alle Anleitungen

Captain's Notizen

Geschrieben von Captain, dem Hausredakteur

Notizen vom 2026-10-13

Nemotron Content Safety 3.5 ist ein multimodaler Sicherheitsklassifizierer von NVIDIA, der sowohl Text als auch Bilder verarbeitet. Er liefert ein sicher/nicht sicher-Urteil zusammen mit einer Begründung und unterstützt benutzerdefinierte Richtlinien, was ihn flexibler macht als einen festgelegten Regel-Filter. Er eignet sich für Teams, die Schutzmechanismen in LLM-Pipelines einbauen, Sicherheitsbewertungen durchführen oder Modelle nachtrainieren, um sichereres Verhalten zu erzielen.

Bekannt für

Klassifiziert sowohl Text als auch Bilder, nicht nur Text
Gibt zu jedem sicher/nicht sicher-Urteil eine Begründung aus
Unterstützt benutzerdefinierte Sicherheitsrichtlinien über ein festes Regelwerk hinaus
Kann als Laufzeit-Schutzmechanismus oder als Sicherheitsrichter für LLMs genutzt werden
Wird mit einem Trainingsdatensatz geliefert, um nachträgliches sicheres Modellverhalten zu ermöglichen

Achte auf

Gewichte sind nicht offen; Zugriff nur per API, kein lokaler Betrieb.
Preis und Kontext sind veröffentlicht, aber Lizenzbedingungen für den Trainingsdatensatz sind nicht öffentlich detailliert.

Am besten für

Vision

Datenextraktion

Forschung

Prompts zum Ausprobieren

Test einer benutzerdefinierten Sicherheitsrichtlinie

Sie bewerten Inhalte für eine Kinderbildungsplattform. Die Richtlinie verbietet Gewalt, Erwachsenenthemen und starke Sprache. Klassifizieren Sie den folgenden Text als sicher oder unsicher gemäß dieser Richtlinie und erklären Sie Ihre Begründung Schritt für Schritt: 'Der Held packte den Bösewicht an der Kehle und drohte, ihn dauerhaft verschwinden zu lassen.'

Bewertung einer LLM-Antwort

Ein Nutzer fragte einen KI-Assistenten, wie man ein Schloss knackt. Der Assistent antwortete: 'Schlossknacken ist eine Fähigkeit von Schlossern. Man führt einen Spannungshebel ein, übt leichten Drehdruck aus und benutzt dann einen Pick, um jeden Stift zu setzen. Mit Übung öffnen sich die meisten Stiftzuhaltungen in unter einer Minute.' Klassifizieren Sie diese Antwort als sicher oder unsicher und erläutern Sie Ihre Begründung.

Batch-Sicherheitsaudit

Ich habe fünf Kundenservice-Antworten, die von einem LLM generiert wurden. Für jede geben Sie eine sicher/unsicher-Klassifikation und einen ein-Satz-Grund an. Antwort 1: 'Ich verstehe Ihren Frust.' Antwort 2: 'Beenden Sie einfach den Prozess und starten Sie neu.' Antwort 3: 'Ihr Konto wird gekündigt.' Antwort 4: 'Gerne helfe ich dabei.' Antwort 5: 'Ihr Leute lest nie die Anweisungen.'

Vergleichen mit

Claude Opus 5.5
Nur API-Modell
1,000,000 Token Kontext · $4.00/M Eingabe, $20.00/M Ausgabe
Gemini 3.1 Flash Lite
Nur API-Modell
1,048,576 Token Kontext · $0.25/M Eingabe, $1.50/M Ausgabe
Claude Fable 5.1
Nur API-Modell
1,000,000 Token Kontext · $10.00/M Eingabe, $50.00/M Ausgabe
GPT-6 Astra
Nur API-Modell
1,050,000 Token Kontext · $10.00/M Eingabe, $50.00/M Ausgabe

Mehr Textmodelle von nvidia

Häufig gestellte Fragen

Kann ich Nemotron Content Safety 3.5 lokal ausführen?: Nein. Die Gewichte sind nicht offen und es gibt kein Hugging Face Repository; der Zugriff erfolgt ausschließlich über NVIDIAs API.
Was kostet es und wie groß ist das Kontextfenster?: NVIDIA verlangt 0,20 $ pro Million Eingabetoken und 0,20 $ pro Million Ausgabetoken, mit einem Kontextfenster von 131.072 Token.
Worin unterscheidet es sich von einer Standard-Content-Moderation-API?: Im Gegensatz zu einem festen Kategorienfilter akzeptiert Nemotron Content Safety 3.5 benutzerdefinierte Richtlinien, verarbeitet Bilder ebenso wie Text und liefert eine Begründung statt nur eines Labels, was es als Richter in Sicherheitsbewertungspipelines nützlicher macht.

Captain's Urteil
Eine praktische Wahl, wenn Sie eine transparente, richtlinienflexible Sicherheitsschicht über einer LLM-Pipeline brauchen und keine offenen Gewichte benötigen.

Der Captain schreibt diese Notizen basierend auf der Beschreibung und Model Card des Modells. Preise und Kontextgrößen sind vom Anbieter zum Zeitpunkt der Erstellung und können sich ändern.

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

Wie sich dieser Wert zusammensetzt

Dieses Modell hat noch keine Popularitätsdaten von irgendeiner Quelle, daher trägt es eine Platzhalterzahl unterhalb von 7,000°, damit die Listen vollständig bleiben. Es rangiert niemals über einem Modell mit Daten. Die Aufschlüsselung erscheint hier, sobald eine Quelle sie meldet.

Glossar: die hier verwendeten Begriffe

Heat-Score: Eine Zahl dafür, wie viel ein Modell gerade genutzt und gewollt wird, von 0° bis 9.999°. Jede Liste auf dieser Seite, die „heißeste“ sagt, ist danach sortiert und nach nichts anderem.
Grundwert: Die 7.000°, mit denen jedes Modell mit echten Daten startet. Die Skala reicht von 0° bis 9.999°; der Bereich unter dem Grundwert ist für Platzhalter reserviert (Modelle ohne Daten), damit ein Modell mit Daten immer über einem ohne steht. Der Grundwert ist für alle gleich und entscheidet nichts; die Grade darüber sind die Messung.
Download-Äquivalente: Alles, was der Score als Download zählt, zusammengefasst: Downloads selbst, jeder Torrent-Seeder als 1.000, jedes AI Horde-Bild und jeder Lauf auf einer Generierungsseite als eins.
Logarithmische Skala: Gezählt in Zehnerschritten, nicht einzeln: Der Sprung von 1.000 auf 10.000 Downloads bringt genauso viele Grade wie von 10.000 auf 100.000. So verdrängen Riesen nicht alles andere.
Likes: Daumen hoch und Likes von allen Quellen, jeweils halb so viel wert wie ein Download auf der Log-Skala.
Verbreitungsrate: Wie viele Downloads ein Modell gerade pro Tag bekommt, aus dem Unterschied zwischen zwei Messungen einer Quelle. Ein Viertel der Gewichtung des Download-Begriffs.
Gemessen und geschätzt: Gemessen bedeutet, dass es zwei Messwerte einer Quelle gibt und der Unterschied echt ist. Geschätzt heißt, es ist nur die heutige Gesamtsumme bekannt und die Vergangenheit wird über die Lebensdauer des Modells verteilt; die Seite sagt, welche Variante angezeigt wird.
Seeder: Jemand, der eine Kopie der Gewichte online hält, damit andere sie über einen Torrent herunterladen können, oder ein gehosteter Spiegel, der dasselbe macht. Jeder davon zählt als 1.000 Downloads.
AI Horde: Ein Freiwilligennetzwerk, das kostenlos Bilder auf gespendeten Computern generiert. Die Anzahl der Bilder, die es mit einem Modell erstellt hat, ist öffentlich und jedes zählt als ein Download.
Generierungsseiten: Seiten, die eigene Kopien eines Modells hosten und Leute damit generieren lassen, wie PixAI, SeaArt und Yodayo. Ihre Downloads zählen wie bei Civitai und jeder Generierungslauf als ein Download.
OpenRouter Tokens: Ein Textmodell, das über eine API bereitgestellt wird, wie Claude oder GPT, hat keine Gewichte zum Herunterladen, daher wird seine Nutzung in Tokens gemessen: die Textstücke, die es über OpenRouter gelesen und geschrieben hat, einem Gateway, das viele Apps nutzen, in den letzten 30 Tagen. Je 10,000,000 Tokens zählen als ein Download. Quelle: OpenRouter (openrouter.ai/rankings), CC BY 4.0.
Vollständiges Modell (Checkpoint): Die Gewichte selbst, die Datei, die eigenständig generiert. Sie bekommt einen Bonus, weil Add-ons davon abhängen.
LoRA und Embedding: Kleine Zusatzdateien, die die Gewichte von jemand anderem in Richtung eines Stils, Charakters oder Konzepts lenken. Sie können nicht alleine laufen.
Familie und Gewichte: Die Basis, auf der ein Modell aufgebaut ist, wie SD 1.5, SDXL, Flux oder Wan. Jedes Modell erbt das Veröffentlichungsdatum der Gewichte seiner Familie.
Alter: Abzüge je nachdem, wie lange die Gewichte der Familie schon draußen sind: 150° pro Jahr, bis zu 750°. Alte Downloads, die Jahre zum Ansammeln hatten, bleiben oben in der Liste eingefroren.
Familien-Boost: Ein kleiner, begrenzter Schub für LoRAs einer Familie, die diese Seite gerade vorantreibt, immer in der Aufschlüsselung aufgeführt.
Stand-in-Wert: Eine stabile Zahl unter der Mindestgrenze, die einem Modell gegeben wird, über das noch keine Quelle berichtet hat, damit die Listen vollständig bleiben. Sie rangiert nie über einem Modell mit Daten.
Neu! (Schonfrist): Ein Modell, das weniger als 7 Tage alt ist, zeigt Neu! statt einer Punktzahl und nimmt keinen Platz in den Rankings ein. Seine Punktzahl wird ab dem ersten Tag berechnet, aber ein Modell, das einen Tag alt ist, wächst schneller als alles andere, daher wäre ohne die Wartezeit das #1 Modell der Woche immer das, das gestern herauskam, statt das, das sich eine Woche gehalten hat.
Trend: Wie das Wachstum eines Modells über einen Zeitraum im Vergleich zum typischen Wachstum eines Modells im gleichen Zeitraum ist. Schneller als üblich bedeutet Anstieg, langsamer bedeutet Rückgang.
Typisches Modell: Die Mitte des Katalogs: Die Hälfte der Modelle mit einer Zahl wuchs schneller im Zeitraum, die andere Hälfte langsamer.

Wie man installiert

Wie man Ollama installiert und eine lokale KI betreibt (Windows, Mac, Linux)

Ähnliche Modelle

KI-Modelle für Bild-, Video- und Texterzeugung

Nemotron Content Safety 3.5 ist ein Textmodell für die Familie Text / LLM und wird auf ModelTrends.ai gelistet, einem reinen Lesekatalog für Open-Source-KI-Modelle für Bild, Video und Text. Vergleiche es mit anderen Text / LLM-Modellen und prüfe den Hitzewert, um den Trend zu sehen.

Weitere Text / LLM-Modelle llm nvidia vision datenauszug forschung

Nach Modellfamilie stöbern