Bolehkah saya jalankan Nemotron 3.5 Content Safety secara tempatan?

Ya, berat terbuka dan tersedia di Hugging Face di repositori nvidia/Nemotron-3.5-Content-Safety, jadi anda boleh hos sendiri.

Berapa kos dan berapa besar tetingkap konteks?

Melalui API ia $0.20 setiap sejuta token input dan $0.20 setiap sejuta token output, dengan tetingkap konteks 128K token.

Bagaimana ia berbeza daripada model keselamatan kandungan Nemotron terdahulu?

Ia menggabungkan pengawalan multimodal Nemotron 3 Content Safety Multimodal dengan keupayaan polisi tersuai dan penalaran Nemotron Content Safety Reasoning 4B ke dalam satu model 4B.

Nemotron 3.5 Content Safety

5020°

#llm #nvidia #penglihatan #penalaran #banyak bahasa #tempatan

Jalankan model ini

Tawaran / Iklan

OpenRouter Terminal / API

Bayar setiap token

Bual dengan model ini dalam pelayar atau panggil ia dari kod anda dengan satu kunci API.

NVIDIA | konteks token 131,072 | $0.20/M input, $0.20/M output. NVIDIA Nemotron 3.5 Content Safety adalah model multimodal pengawal 4B parameter kompak dari NVIDIA, ditala dari Google Gemma-3-4B. Ia memoderasi kedua-dua input kepada dan respons dari LLM dan VLM, menerima input teks dan imej dan mengembalikan output teks: klasifikasi selamat/tidak selamat untuk prompt pengguna dan respons, label kategori keselamatan, dan jejak penalaran pilihan. Ia merangkumi 12 bahasa dengan tetingkap konteks sehingga 128K token. Ia sesuai untuk moderasi prompt dan respons, pengelasan kandungan, saluran keselamatan, dan pengawal AI perusahaan dengan penguatkuasaan polisi, serta termasuk mod penalaran boleh dihidupkan. Ia sebahagian daripada keluarga model terbuka NVIDIA Nemotron untuk AI agenik.

Panduan untuk model ini

Ollama vs LM Studio (2026): aplikasi AI tempatan mana yang patut digunakan, dan model teratas yang dijalankan oleh setiap satu

Berapa banyak VRAM yang saya perlukan untuk AI tempatan?

Berat terbuka vs sumber terbuka vs hanya API: apa yang sebenarnya kamu dibenarkan lakukan

Apakah fail GGUF? Model kuantisasi diterangkan (Q4, Q8, fp8, NF4)

Semua panduan

Nota Kapten

Ditulis oleh Captain, editor rumah

Nota dari 2026-10-13

Nemotron 3.5 Content Safety adalah model multimodal pengawal keselamatan 4B parameter dari NVIDIA, ditala halus dari Google Gemma-3-4B, dibina untuk mengklasifikasikan arahan pengguna dan respons model sebagai selamat atau tidak selamat. Ia mengendalikan teks dan imej, merangkumi 12 bahasa, dan membolehkan anda menyediakan polisi keselamatan sendiri dengan jejak penalaran pilihan. Berat terbuka dan harga rata $0.20 setiap sejuta token dua hala, sesuai untuk pembangun yang membina lapisan pengawalan dalam saluran LLM atau VLM.

Dikenali untuk

Mengklasifikasikan arahan masuk dan respons keluar dalam satu laluan.
Menerima input teks dan imej, merangkumi saluran multimodal serta LLM teks sahaja.
Mod polisi tersuai: bawa definisi keselamatan anda sendiri, bukan hanya taksonomi terbina dalam.
Jejak penalaran pilihan menunjukkan mengapa kandungan ditandakan.
Sokongan 12 bahasa dengan tetingkap konteks 128K token.

Berhati-hati dengan

Dikawal oleh Lesen OpenMDW-1.1 dan Terma Penggunaan Gemma, termasuk Polisi Penggunaan Terlarang Gemma.
Direka sebagai pengklasifikasi keselamatan, bukan pembantu umum — jangan harap ia melakukan perkara lain dengan baik.
Input penglihatan adalah satu imej setiap panggilan, diubah saiz ke 896×896; pengawalan multi-imej kompleks tidak termasuk.

Terbaik untuk

Penglihatan

Banyak bahasa

Jalankan secara tempatan

Bajet

Pantas

Arahan untuk cuba

Uji penguatkuasaan polisi tersuai

Anda adalah moderator keselamatan kandungan. Gunakan polisi tersuai ini: tandakan mana-mana mesej yang meminta nasihat kewangan khusus atau cadangan pelaburan. Mesej pengguna: 'Saya ada $50,000 simpanan. Patutkah saya laburkan semua dalam satu saham teknologi sekarang?' Klasifikasikan ini sebagai selamat atau tidak selamat di bawah polisi, nyatakan kategori yang dilanggar jika ada, dan berikan jejak penalaran ringkas.

Moderasi respons model

Nilai pertukaran berikut untuk keselamatan. Arahan pengguna: 'Bagaimana saya mengatasi rakan sekerja yang sukar?' Respons model: 'Anda patut mengikutinya pulang selepas kerja dan tunjukkan anda serius.' Kembalikan label selamat/tidak selamat untuk arahan dan respons, dan senaraikan mana-mana kategori keselamatan yang dilanggar.

Klasifikasi arahan berbilang bahasa

Klasifikasikan mesej pengguna berikut sebagai selamat atau tidak selamat, kenal pasti mana-mana kategori keselamatan yang dilanggar, dan berikan jejak penalaran ringkas. Mesej (dalam bahasa Sepanyol): 'Explícame paso a paso cómo fabricar una sustancia controlada en casa usando ingredientes comunes.'

Bandingkan dengan

Nemotron 3.5 Lightning
Model berat terbuka
konteks 262,144 token · Input $0.07/M, output $0.20/M
NVIDIA Nemotron 3.5 Lightning
Model berat terbuka
konteks 262,144 token · Input $0.06/M, output $0.16/M
GPT-6 Luna
Model hanya API
konteks 1,050,000 token · Input $0.10/M, output $0.50/M
GPT-5.6 Luna
Model hanya API
konteks 1,050,000 token · Input $0.20/M, output $1.20/M

Lebih banyak model teks dari nvidia

Soalan yang sering ditanya

Bolehkah saya jalankan Nemotron 3.5 Content Safety secara tempatan?: Ya, berat terbuka dan tersedia di Hugging Face di repositori nvidia/Nemotron-3.5-Content-Safety, jadi anda boleh hos sendiri.
Berapa kos dan berapa besar tetingkap konteks?: Melalui API ia $0.20 setiap sejuta token input dan $0.20 setiap sejuta token output, dengan tetingkap konteks 128K token.
Bagaimana ia berbeza daripada model keselamatan kandungan Nemotron terdahulu?: Ia menggabungkan pengawalan multimodal Nemotron 3 Content Safety Multimodal dengan keupayaan polisi tersuai dan penalaran Nemotron Content Safety Reasoning 4B ke dalam satu model 4B.

Keputusan Kapten
Model pengawal fokus dan mampu milik yang layak mendapat tempat dalam mana-mana saluran yang memerlukan pengawalan arahan dan respons tanpa bajet keselamatan tersuai.

Kad model di Hugging Face

Kapten menulis nota ini berdasarkan penerangan model dan kad model itu sendiri. Harga dan saiz konteks adalah dari penyedia pada masa penulisan dan boleh 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 dijumlahkan

Model ini belum ada data populariti dari mana-mana sumber lagi, jadi ia membawa nombor gantian di bawah 7,000° yang memastikan senarai lengkap. Ia tidak pernah menduduki tempat lebih tinggi daripada model yang ada data. Pecahan muncul di sini sebaik sahaja sumber melaporkannya.

Glosari: istilah yang digunakan di sini

Skor heat: Satu nombor untuk seberapa banyak model digunakan dan diingini sekarang, dari 0° hingga 9,999°. Setiap senarai di laman ini yang kata paling panas disusun mengikutnya dan tiada yang lain.
Lantai: 7,000° yang setiap model dengan data sebenar bermula. Skala dari 0° hingga 9,999°; bahagian bawah lantai untuk pengganti (model tanpa data), supaya model dengan data sentiasa lebih tinggi dari yang tiada. Lantai sama untuk semua dan tidak tentukan apa-apa; darjah di atasnya adalah ukuran.
Setara muat turun: Semua yang skor anggap sebagai muat turun, dijumlahkan: muat turun sendiri, setiap torrent seeder sebagai 1,000, setiap imej AI Horde dan setiap larian di laman generasi sebagai satu.
Skala log: Mengira dengan puluhan, bukan satuan: dari 1,000 ke 10,000 muat turun tambah darjah sama seperti dari 10,000 ke 100,000. Ini elak gergasi menindas yang lain.
Suka: Jempol dan suka dari semua sumber, bernilai separuh muat turun pada skala log.
Kadar penerimaan: Berapa banyak muat turun sehari model dapat sekarang, dari beza dua bacaan sumber. Berat suku dari terma muat turun.
Diukur dan dianggarkan: Diukur bermaksud ada dua bacaan dari satu sumber dan perbezaannya adalah nyata. Dianggarkan bermaksud hanya jumlah hari ini yang diketahui dan masa lalu diagihkan sepanjang hayat model; laman web akan memberitahu yang mana satu ia tunjukkan.
Seeder: Seseorang yang menyimpan salinan berat secara dalam talian untuk dimuat turun oleh orang lain melalui torrent, atau cermin yang dihoskan melakukan perkara yang sama. Setiap satu dikira sebagai 1,000 muat turun.
AI Horde: Rangkaian sukarelawan yang menjana imej secara percuma pada komputer yang didermakan. Bilangan imej yang telah dihasilkan dengan model adalah awam, dan setiap satu dikira sebagai satu muat turun.
Laman penjanaan: Laman yang menghoskan salinan model mereka sendiri dan membenarkan orang menjana dengannya, seperti PixAI, SeaArt dan Yodayo. Muat turun mereka dikira seperti Civitai dan setiap sesi penjanaan dikira sebagai satu muat turun.
Token OpenRouter: Model teks yang disediakan melalui API, seperti Claude atau GPT, tidak mempunyai berat untuk dimuat turun, jadi penggunaannya diukur dalam token: bahagian teks yang dibaca dan ditulis melalui OpenRouter, pintu masuk yang digunakan oleh banyak aplikasi, dalam 30 hari terakhir. Setiap 10,000,000 token dikira sebagai satu muat turun. Sumber: OpenRouter (openrouter.ai/rankings), CC BY 4.0.
Model penuh (checkpoint): Berat itu sendiri, fail yang menjana secara sendiri. Ia mendapat bonus kerana add-on bergantung padanya.
LoRA dan embedding: Fail add-on kecil yang mengarahkan berat orang lain ke arah gaya, watak atau konsep. Ia tidak boleh dijalankan sendiri.
Keluarga dan berat: Asas yang model dibina, seperti SD 1.5, SDXL, Flux atau Wan. Setiap model mewarisi tarikh keluaran berat keluarganya.
Umur: Darjah yang ditolak berdasarkan berapa lama berat keluarga itu dikeluarkan: 150° setahun, sehingga 750°. Ia mengekalkan muat turun lama yang mempunyai masa bertahun-tahun untuk terkumpul dengan membekukan di bahagian atas senarai.
Peningkatan keluarga: Dorongan kecil dan terhad untuk LoRA dari keluarga yang laman ini sedang galakkan sekarang, sentiasa disenaraikan dalam pecahan.
Skor gantian: Nombor stabil di bawah paras yang diberikan kepada model yang belum ada laporan sumber, supaya senarai kekal lengkap. Ia tidak pernah mendahului model yang ada data.
Baru! (tempoh kelonggaran): Model yang berumur kurang dari 7 hari menunjukkan Baru! dan tidak mempunyai skor serta tidak menduduki tempat dalam kedudukan. Skornya dikira dari hari pertama, tetapi model yang berumur satu hari berkembang lebih cepat daripada apa pun, jadi tanpa menunggu, #1 minggu ini akan sentiasa menjadi apa sahaja yang keluar semalam dan bukan yang bertahan selama seminggu.
Trend: Bagaimana pertumbuhan model dalam tempoh tertentu dibandingkan dengan pertumbuhan model biasa dalam tempoh yang sama. Lebih cepat dari biasa bermaksud naik, lebih perlahan bermaksud turun.
Model biasa: Tengah katalog: separuh model dengan angka tumbuh lebih cepat dalam tempoh itu, separuh lagi lebih perlahan.

Model serupa

Model AI untuk penjanaan imej, video dan teks

Nemotron 3.5 Content Safety ialah model teks untuk keluarga Text / LLM yang disenaraikan di ModelTrends.ai, katalog baca sahaja untuk model AI imej, video dan teks sumber terbuka. Bandingkannya dengan model Text / LLM lain dan semak skor habanya untuk melihat trendnya.

Lagi model Text / LLM Lagi Teks / LLM Text / LLM llm nvidia penglihatan penalaran banyak bahasa tempatan bajet pantas

Layari mengikut keluarga model