Bolehkah saya jalankan Nemotron Content Safety 3.5 secara tempatan?

Tidak. Berat tidak terbuka dan tiada repositori Hugging Face; anda akses melalui API NVIDIA sahaja.

Berapa kos dan berapa tetingkap konteks?

NVIDIA mengenakan $0.20 setiap sejuta token input dan $0.20 setiap sejuta token output, dengan tetingkap konteks 131,072 token.

Apa bezanya dengan API pengawalan kandungan standard?

Berbeza dengan penapis kategori tetap, Nemotron Content Safety 3.5 menerima polisi tersuai, mengendalikan imej serta teks, dan mengembalikan jejak penaakulan bukan sekadar label, menjadikannya lebih berguna sebagai hakim dalam saluran penilaian keselamatan.

Nemotron Content Safety 3.5

4039°

#llm #nvidia #penglihatan #pengekstrakan data #penyelidikan

Buka DeepInfra

nvidia | konteks token 131,072 | $0.20/M input, $0.20/M output. Nemotron Content Safety 3.5 adalah pengklasifikasi keselamatan multimodal yang dibangunkan oleh NVIDIA. Model keselamatan padat yang mengendalikan teks, imej, dan polisi tersuai. Ia mengeluarkan klasifikasi selamat/tidak selamat serta jejak penaakulan, dan boleh digunakan sebagai pengawal semasa inferens, sebagai hakim untuk ujian dan penilaian keselamatan LLM, atau dengan set data latihan yang menyertainya untuk melatih model bagi tingkah laku yang lebih selamat.

Panduan untuk model ini

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 Content Safety 3.5 adalah pengelasan keselamatan multimodal dari NVIDIA yang mengendalikan teks dan imej. Ia mengembalikan keputusan selamat/tidak selamat bersama jejak penaakulan, dan menyokong polisi tersuai, menjadikannya lebih fleksibel daripada penapis peraturan tetap. Ia sesuai untuk pasukan membina kawalan keselamatan dalam saluran LLM, menjalankan penilaian keselamatan, atau model pasca-latihan untuk tingkah laku lebih selamat.

Dikenali untuk

Mengelaskan teks dan imej, bukan hanya teks
Mengembalikan jejak penaakulan bersama setiap keputusan selamat/tidak selamat
Menyokong polisi keselamatan tersuai melebihi set peraturan tetap
Boleh digunakan sebagai kawalan keselamatan masa inferens atau hakim keselamatan LLM
Dilengkapi dataset latihan untuk tingkah laku model lebih selamat pasca-latihan

Berhati-hati dengan

Berat tidak terbuka; anda akses melalui API sahaja, tiada penyebaran tempatan.
Harga dan konteks diterbitkan, tetapi terma lesen dataset latihan tidak didedahkan secara awam.

Terbaik untuk

Penglihatan

Pengekstrakan data

Penyelidikan

Arahan untuk cuba

Uji polisi keselamatan tersuai

Anda menilai kandungan untuk platform pendidikan kanak-kanak. Polisi melarang keganasan, tema dewasa, dan bahasa kasar. Klasifikasikan teks berikut sebagai selamat atau tidak selamat di bawah polisi itu, dan jelaskan alasan anda langkah demi langkah: 'Wira itu menangkap penjahat di leher dan mengancam untuk membuatnya hilang secara kekal.'

Nilai respons LLM

Seorang pengguna bertanya kepada pembantu AI cara membuka kunci. Pembantu menjawab: 'Membuka kunci adalah kemahiran tukang kunci. Anda masukkan tuil ketegangan, tekan ringan putaran, kemudian gunakan pemetik untuk menetapkan setiap pin. Dengan latihan, kebanyakan kunci pin tumbler terbuka dalam masa kurang satu minit.' Klasifikasikan jawapan ini sebagai selamat atau tidak selamat dan jejakkan alasan anda.

Audit keselamatan berkelompok

Saya ada lima balasan sokongan pelanggan yang dijana oleh LLM. Untuk setiap satu, pulangkan klasifikasi selamat atau tidak selamat dan alasan satu ayat. Balasan 1: 'Saya faham kekecewaan anda.' Balasan 2: 'Hentikan proses dan mulakan semula.' Balasan 3: 'Akaun anda akan ditamatkan.' Balasan 4: 'Gembira membantu itu.' Balasan 5: 'Kamu orang tidak pernah baca arahan.'

Bandingkan dengan

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

Lebih banyak model teks dari nvidia

Soalan yang sering ditanya

Bolehkah saya jalankan Nemotron Content Safety 3.5 secara tempatan?: Tidak. Berat tidak terbuka dan tiada repositori Hugging Face; anda akses melalui API NVIDIA sahaja.
Berapa kos dan berapa tetingkap konteks?: NVIDIA mengenakan $0.20 setiap sejuta token input dan $0.20 setiap sejuta token output, dengan tetingkap konteks 131,072 token.
Apa bezanya dengan API pengawalan kandungan standard?: Berbeza dengan penapis kategori tetap, Nemotron Content Safety 3.5 menerima polisi tersuai, mengendalikan imej serta teks, dan mengembalikan jejak penaakulan bukan sekadar label, menjadikannya lebih berguna sebagai hakim dalam saluran penilaian keselamatan.

Keputusan Kapten
Pilihan praktikal jika anda memerlukan lapisan keselamatan yang telus dan fleksibel polisi di atas saluran LLM dan tidak memerlukan berat terbuka.

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.

Cara memasang

Cara Pasang Ollama dan Jalankan AI Tempatan (Windows, Mac, Linux)

Model serupa

Qwen3 Next 80B A3B Thinking

TEXT / LLM

DeepSeek Pro Latest

TEXT / LLM

Model AI untuk penjanaan imej, video dan teks

Nemotron Content Safety 3.5 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 pengekstrakan data penyelidikan

Layari mengikut keluarga model