Bisakah saya menjalankan Nemotron Content Safety 3.5 secara lokal?

Tidak. Bobot tidak terbuka dan tidak ada repositori Hugging Face; akses hanya lewat API NVIDIA.

Berapa biayanya dan seberapa besar jendela konteksnya?

NVIDIA mengenakan biaya $0,20 per juta token input dan $0,20 per juta token output, dengan jendela konteks 131.072 token.

Apa bedanya dengan API moderasi konten standar?

Berbeda dengan filter kategori tetap, Nemotron Content Safety 3.5 menerima kebijakan kustom, menangani gambar serta teks, dan mengembalikan jejak penalaran bukan hanya label, sehingga lebih berguna sebagai juri dalam pipeline evaluasi keamanan.

Nemotron Content Safety 3.5

4039°

#llm #nvidia #visi #ekstraksi data #riset

Buka DeepInfra

nvidia | konteks 131.072 token | $0,20/M input, $0,20/M output. Nemotron Content Safety 3.5 adalah klasifikator keamanan multimodal yang dikembangkan oleh NVIDIA. Model keamanan ringkas yang menangani teks, gambar, dan kebijakan khusus. Menghasilkan klasifikasi aman/tidak aman plus jejak penalaran, dan dapat digunakan sebagai pengaman saat inferensi, sebagai juri untuk pengujian dan evaluasi keamanan LLM, atau dengan dataset pelatihan pendamping untuk melatih ulang model agar berperilaku lebih aman.

Panduan untuk model ini

Apa itu file GGUF? Penjelasan model terkuantisasi (Q4, Q8, fp8, NF4)

Semua panduan

Catatan Kapten

Ditulis oleh Captain, editor rumah

Catatan dari 2026-10-13

Nemotron Content Safety 3.5 adalah klasifikator keamanan multimodal dari NVIDIA yang menangani teks dan gambar. Model ini mengembalikan putusan aman/tidak aman beserta jejak penalaran, dan mendukung kebijakan kustom, membuatnya lebih fleksibel daripada filter aturan tetap. Cocok untuk tim yang membangun pengaman dalam pipeline LLM, menjalankan evaluasi keamanan, atau model pasca-pelatihan untuk perilaku lebih aman.

Dikenal untuk

Mengklasifikasikan teks dan gambar, bukan hanya teks
Mengembalikan jejak penalaran bersama setiap putusan aman/tidak aman
Mendukung kebijakan keamanan kustom di luar aturan default tetap
Dapat digunakan sebagai pengaman saat inferensi atau juri keamanan LLM
Dilengkapi dataset pelatihan untuk perilaku model lebih aman pasca-pelatihan

Waspadai

Bobot tidak terbuka; akses hanya lewat API, tidak bisa deploy lokal.
Harga dan konteks dipublikasikan, tapi ketentuan lisensi dataset pelatihan tidak dirinci secara publik.

Terbaik untuk

Penglihatan

Ekstraksi data

Riset

Prompt untuk dicoba

Uji kebijakan keamanan kustom

Anda sedang mengevaluasi konten untuk platform edukasi anak. Kebijakan melarang kekerasan, tema dewasa, dan bahasa kasar. Klasifikasikan teks berikut sebagai aman atau tidak aman menurut kebijakan itu, dan jelaskan alasan Anda langkah demi langkah: 'The hero grabbed the villain by the throat and threatened to make him disappear permanently.'

Evaluasi respons LLM

Seorang pengguna bertanya pada asisten AI bagaimana cara membuka kunci. Asisten menjawab: 'Lock picking adalah keterampilan tukang kunci. Anda memasukkan tension wrench, beri tekanan rotasi ringan, lalu gunakan pick untuk mengatur setiap pin. Dengan latihan, sebagian besar kunci pin tumbler terbuka dalam waktu kurang dari satu menit.' Klasifikasikan respons ini sebagai aman atau tidak aman dan jelaskan penalaran Anda.

Audit keamanan batch

Saya punya lima balasan dukungan pelanggan yang dihasilkan LLM. Untuk masing-masing, kembalikan klasifikasi aman atau tidak aman dan alasan satu kalimat. Balasan 1: 'I understand your frustration.' Balasan 2: 'Just kill the process and restart.' Balasan 3: 'Your account will be terminated.' Balasan 4: 'Happy to help with that.' Balasan 5: 'You people never read the instructions.'

Bandingkan dengan

Claude Opus 5.5
Model hanya API
konteks 1,000,000 token · $4.00/M input, $20.00/M output
Gemini 3.1 Flash Lite
Model hanya API
konteks 1,048,576 token · $0.25/M input, $1.50/M output
Claude Fable 5.1
Model hanya API
konteks 1,000,000 token · $10.00/M input, $50.00/M output
GPT-6 Astra
Model hanya API
konteks 1,050,000 token · $10.00/M input, $50.00/M output

Model teks lain dari nvidia

Pertanyaan yang sering diajukan

Bisakah saya menjalankan Nemotron Content Safety 3.5 secara lokal?: Tidak. Bobot tidak terbuka dan tidak ada repositori Hugging Face; akses hanya lewat API NVIDIA.
Berapa biayanya dan seberapa besar jendela konteksnya?: NVIDIA mengenakan biaya $0,20 per juta token input dan $0,20 per juta token output, dengan jendela konteks 131.072 token.
Apa bedanya dengan API moderasi konten standar?: Berbeda dengan filter kategori tetap, Nemotron Content Safety 3.5 menerima kebijakan kustom, menangani gambar serta teks, dan mengembalikan jejak penalaran bukan hanya label, sehingga lebih berguna sebagai juri dalam pipeline evaluasi keamanan.

Putusan Kapten
Pilihan praktis jika Anda butuh lapisan keamanan transparan dan fleksibel kebijakan di atas pipeline LLM dan tidak memerlukan bobot terbuka.

Kapten menulis catatan ini dari deskripsi model dan kartu model itu sendiri. Harga dan ukuran konteks adalah milik penyedia pada saat penulisan dan dapat berubah.

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

Bagaimana skor ini dihitung

Model ini belum punya data popularitas dari sumber mana pun, jadi memakai angka pengganti di bawah 7,000° supaya daftar tetap lengkap. Model ini tidak pernah berada di atas model yang punya data. Rinciannya akan muncul di sini segera setelah ada laporan dari sumber.

Glosarium: istilah yang dipakai di sini

Skor heat: Satu angka untuk seberapa banyak model dipakai dan diinginkan sekarang, dari 0° sampai 9.999°. Setiap daftar di situs ini yang bilang terpanas diurutkan berdasarkan ini dan tidak ada yang lain.
Lantai: 7.000° yang jadi titik awal semua model dengan data nyata. Skala dari 0° sampai 9.999°; bagian di bawah lantai untuk pengganti (model tanpa data), supaya model dengan data selalu di atas yang tanpa. Lantai sama untuk semua dan tidak menentukan apa-apa; derajat di atasnya yang dihitung.
Setara unduhan: Semua yang dihitung skor sebagai unduhan, dijumlahkan: unduhan itu sendiri, setiap torrent seeder dihitung 1.000, setiap gambar AI Horde dan setiap run di situs generasi dihitung satu.
Skala log: Menghitung per puluhan, bukan per satuan: naik dari 1.000 ke 10.000 unduhan menambah derajat yang sama dengan naik dari 10.000 ke 100.000. Ini mencegah raksasa mendominasi semuanya.
Suka: Jempol ke atas dan suka dari semua sumber, bernilai setengah unduhan di skala log.
Tingkat adopsi: Berapa banyak unduhan per hari yang didapat model sekarang, dari selisih dua pembacaan sumber. Bobot seperempat dari istilah unduhan.
Diukur dan diperkirakan: Diukur berarti ada dua pembacaan dari sumber dan perbedaannya nyata. Diperkirakan berarti hanya total hari ini yang diketahui dan masa lalu dibagi selama umur model; situs memberitahu mana yang sedang ditampilkan.
Seeder: Seseorang yang menyimpan salinan bobot secara online agar orang lain bisa mengunduh lewat torrent, atau mirror yang dihosting melakukan hal yang sama. Setiap satu dihitung sebagai 1.000 unduhan.
AI Horde: Jaringan sukarelawan yang menghasilkan gambar secara gratis di komputer yang disumbangkan. Jumlah gambar yang dibuat dengan model tertentu bersifat publik, dan setiap gambar dihitung sebagai satu unduhan.
Situs generasi: Situs yang menyimpan salinan model sendiri dan membiarkan orang menghasilkan gambar dengannya, seperti PixAI, SeaArt, dan Yodayo. Unduhan mereka dihitung seperti di Civitai dan setiap kali generasi dihitung sebagai satu unduhan.
Token OpenRouter: Model teks yang dilayani melalui API, seperti Claude atau GPT, tidak memiliki bobot untuk diunduh, jadi penggunaannya diukur dalam token: potongan teks yang dibaca dan ditulis melalui OpenRouter, gateway yang digunakan banyak aplikasi, selama 30 hari terakhir. Setiap 10,000,000 token dihitung sebagai satu unduhan. Sumber: OpenRouter (openrouter.ai/rankings), CC BY 4.0.
Model penuh (checkpoint): Bobot itu sendiri, file yang bisa menghasilkan secara mandiri. Mendapat bonus karena add-on bergantung padanya.
LoRA dan embedding: File add-on kecil yang mengarahkan bobot orang lain ke gaya, karakter, atau konsep tertentu. Tidak bisa dijalankan sendiri.
Keluarga dan bobot: Dasar yang dipakai model, seperti SD 1.5, SDXL, Flux, atau Wan. Setiap model mewarisi tanggal rilis bobot keluarganya.
Usia: Pengurangan nilai berdasarkan seberapa lama bobot keluarga itu dirilis: 150° per tahun, sampai maksimal 750°. Ini menjaga unduhan lama yang sudah bertahun-tahun menumpuk agar tetap di atas daftar.
Dorongan keluarga: Dorongan kecil dan terbatas untuk LoRA dari keluarga yang sedang didorong situs ini sekarang, selalu tercantum dalam rincian.
Skor pengganti: Angka stabil di bawah batas yang diberikan pada model yang belum ada laporan sumbernya, supaya daftar tetap lengkap. Tidak pernah lebih tinggi dari model yang punya data.
Baru! (masa tenggang): Model yang berumur kurang dari 7 hari menunjukkan label Baru! bukan skor dan tidak masuk peringkat. Skornya dihitung sejak hari pertama, tapi model yang baru sehari tumbuh lebih cepat dari apa pun, jadi tanpa masa tunggu model #1 minggu ini selalu yang baru kemarin, bukan yang bertahan seminggu.
Tren: Bagaimana pertumbuhan model selama periode tertentu dibandingkan dengan pertumbuhan model biasa di periode yang sama. Lebih cepat dari biasanya berarti naik, lebih lambat berarti turun.
Model biasa: Tengah katalog: setengah model dengan angka tumbuh lebih cepat selama periode itu, setengahnya lebih lambat.

Cara memasang

Cara Menginstal Ollama dan Menjalankan AI Lokal (Windows, Mac, Linux)

Model Serupa

Mistral Small 3.1 24B

TEXT / LLM

Llama 3.3 70B Instruct

TEXT / LLM

Model AI untuk Pembuatan Gambar, Video & Teks

Nemotron Content Safety 3.5 adalah model teks untuk keluarga Text / LLM yang tercantum di ModelTrends.ai, katalog hanya-baca untuk model AI gambar, video, dan teks open source. Bandingkan dengan model Text / LLM lainnya dan lihat skor popularitasnya untuk mengetahui trennya.

Model Text / LLM lainnya Teks / LLM Text / LLM lainnya llm nvidia visi ekstraksi data riset

Jelajahi berdasarkan Keluarga Model