Hermes 4 405B
5793°
Executar modelo
Ofertas / Anúncios
Nous | contexto de 131.072 tokens | $1,00/M entrada, $3,00/M saída. Hermes 4 é um modelo de raciocínio em grande escala construído sobre Meta-Llama-3.1-405B e lançado pela Nous Research. Introduz um modo híbrido de raciocínio, onde o modelo pode optar por deliberar internamente com ... rastros ou responder diretamente, oferecendo flexibilidade entre velocidade e profundidade. Os usuários podem controlar o comportamento de raciocínio com o booleano reasoning enabled. Saiba mais em nossos docsOpens in new tab O modelo é ajustado por instrução com um corpus pós-treinamento expandido (~60B…Nous | contexto de 131.072 tokens | $1,00/M entrada, $3,00/M saída. Hermes 4 é um modelo de raciocínio em grande escala construído sobre Meta-Llama-3.1-405B e lançado pela Nous Research. Introduz um modo híbrido de raciocínio, onde o modelo pode optar por deliberar internamente com ... rastros ou responder diretamente, oferecendo flexibilidade entre velocidade e profundidade. Os usuários podem controlar o comportamento de raciocínio com o booleano reasoning enabled. Saiba mais em nossos docsOpens in new tab O modelo é ajustado por instrução com um corpus pós-treinamento expandido (~60B tokens) enfatizando rastros de raciocínio, melhorando desempenho em matemática, código, STEM e raciocínio lógico, mantendo ampla utilidade assistencial. Também suporta saídas estruturadas, incluindo modo JSON, aderência a esquemas, chamadas de função e uso de ferramentas. Hermes 4 é treinado para direcionabilidade, menores taxas de recusa e alinhamento a comportamento neutro e orientado ao usuário.
Guias para este modelo
Ollama vs LM Studio (2026): qual app de IA local usar e quais os melhores modelos que cada um roda
Melhor LLM local por caso de uso (outubro de 2026): o modelo aberto certo para cada tarefa
De quanto VRAM eu realmente preciso para IA local?
O que é um arquivo GGUF? Modelos quantizados explicados (Q4, Q8, fp8, NF4)
Notas do capitão
Notas de 2026-10-13
Hermes 4 405B é o modelo ajustado por instrução da Nous Research baseado no Meta Llama 3.1 405B, com um modo híbrido de raciocínio que permite deliberar internamente ou responder diretamente, dependendo da tarefa. Um corpus pós-treinamento de cerca de 60 bilhões de tokens o aprimora em matemática, código, STEM e lógica sem sacrificar a qualidade geral de assistente. Pesos abertos e uma baixa taxa de recusa o tornam uma escolha prática para desenvolvedores que querem um modelo controlável, capaz e que realmente possam executar e direcionar.
Conhecido por
- Raciocínio híbrido: o modelo escolhe pensar passo a passo ou responder diretamente, controlável pelo usuário
- Treinado em ~60B tokens de dados de raciocínio e assistente, um grande salto em relação ao Hermes 3
- Saídas estruturadas: modo JSON, aderência a esquemas, chamadas de função e uso de ferramentas
- Taxas de recusa notavelmente baixas; a Nous afirma estado da arte em seu próprio RefusalBench
- Pesos abertos no Hugging Face, para que você possa executar ou ajustar o modelo você mesmo
Fique atento a
- Com 405B parâmetros, a implantação local exige hardware robusto; a maioria dos usuários acessará via API.
- Contexto de 131k é sólido, mas fica aquém do nível de 200k+ se precisar de documentos muito longos.
- RefusalBench é um benchmark próprio da Nous; a verificação independente dessas alegações é limitada.
Sugestões para tentar
Depure uma função complicada
Aqui está uma função Python que deveria retornar a subsequência comum mais longa de duas strings, mas dá resultados errados em algumas entradas. Explique passo a passo o que está acontecendo, identifique o bug e me dê uma versão corrigida com uma breve explicação da correção.
def lcs(a, b):
dp = [[0]*(len(b)) for _ in range(len(a))]
for i in range(len(a)):
for j in range(len(b)):
if a[i] == b[j]:
dp[i][j] = dp[i-1][j-1] + 1
return dp[-1][-1]
Planeje um agente multi-etapas
Quero construir um agente que monitore um repositório GitHub para novas issues, classifique cada uma como bug, pedido de recurso ou pergunta usando uma chamada LLM, e então poste um rótulo e um comentário curto de triagem de volta no GitHub. Esboce as funções de ferramenta que o agente precisa, a lógica de decisão entre as etapas e quaisquer considerações de tratamento de erros que valha a pena implementar desde o início.
Extraia dados estruturados
Extraia os seguintes campos da vaga abaixo e retorne um JSON válido que corresponda a este esquema: {"title": string, "company": string, "location": string, "salary_range": string ou null, "required_skills": [string], "remote": boolean}.
Vaga: Engenheiro de Dados Sênior na Meridian Analytics, baseado em Austin TX com flexibilidade híbrida. Salário 140–170k. Deve ter 4+ anos com Spark, dbt e Airflow. Python e SQL são obrigatórios. Experiência com Kafka é um diferencial.
Comparar com
- Hermes 3 405B InstructModelo com pesos abertosContexto de 131,072 tokens · entrada $1.00/M, saída $1.00/M
- Claude Opus 5.5Modelo apenas para APIContexto de 1,000,000 tokens · entrada $4.00/M, saída $20.00/M
- Gemini 3.8 FlashModelo apenas para APIContexto de 1,048,576 tokens · entrada $0.83/M, saída $4.12/M
- Claude Sonnet 5.5Modelo apenas para APIContexto de 1,000,000 tokens · entrada $2.00/M, saída $10.00/M
Mais modelos de texto de nousresearch
Perguntas frequentes
- Posso rodar o Hermes 4 405B localmente?
- Os pesos são abertos e disponíveis no Hugging Face em NousResearch/Hermes-4-405B, então sim, em princípio — mas um modelo de 405B requer memória GPU substancial, e a maioria das pessoas achará mais prático acessá-lo via API.
- Quanto custa e qual o tamanho da janela de contexto?
- O preço via API é $1,00 por milhão de tokens de entrada e $3,00 por milhão de tokens de saída, com uma janela de contexto de 131.072 tokens.
- Qual a diferença entre Hermes 4 e Hermes 3?
- As principais adições são o modo híbrido de raciocínio com rastreamentos internos de deliberação, e um conjunto de dados pós-treinamento que cresceu de cerca de 1,2 bilhão para cerca de 60 bilhões de tokens, com ênfase particular em dados verificados de raciocínio para matemática, código e STEM.
Veredito do capitãoUma combinação rara de pesos abertos, capacidade genuína de raciocínio e baixas recusas — merece atenção séria se você constrói agentes ou precisa de um modelo de ponta controlável.
Ficha do modelo no Hugging Face
O capitão escreve estas notas com base na descrição e ficha do modelo. Preços e tamanhos de contexto são do provedor na data da escrita e podem mudar.
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.
Como essa pontuação é calculada
Este modelo ainda não tem dados de popularidade de nenhuma fonte, então ele carrega um número provisório abaixo de 7,000° para manter as listas completas. Ele nunca fica acima de um modelo com dados. A divisão aparece aqui assim que uma fonte reporta.
Glossário: os termos usados aqui
- Pontuação heat
- Um número que mostra o quanto um modelo está sendo usado e desejado agora, de 0° a 9.999°. Toda lista neste site que diz mais quente é ordenada por ele e só por ele.
- Limite mínimo
- Os 7.000° que todo modelo com dados reais começa. A escala vai de 0° a 9.999°; a parte abaixo do limite é para substitutos (modelos sem dados), para que um modelo com dados sempre fique acima de um sem. O limite é igual para todos e não decide nada; os graus acima dele são a medida.
- Equivalentes a downloads
- Tudo que a pontuação trata como download, somado: downloads em si, cada torrent seeder como 1.000, cada imagem AI Horde e cada execução em site de geração como um.
- Escala logarítmica
- Contando de dez em dez, não de um em um: ir de 1.000 para 10.000 downloads adiciona os mesmos graus que ir de 10.000 para 100.000. Isso evita que gigantes abafem tudo.
- Likes
- Joinhas e likes de todas as fontes, valendo metade de um download na escala logarítmica.
- Taxa de adoção
- Quantos downloads por dia um modelo recebe agora, pela diferença entre duas leituras de uma fonte. Um quarto do peso do termo download.
- Medido e estimado
- Medido significa que existem duas leituras de uma fonte e a diferença é real. Estimado significa que só se sabe o total de hoje e o passado é distribuído ao longo da vida do modelo; o site indica qual está mostrando.
- Seeder
- Alguém que mantém uma cópia dos pesos online para outros baixarem via torrent, ou um espelho hospedado fazendo o mesmo. Cada um conta como 1.000 downloads.
- AI Horde
- Uma rede voluntária que gera imagens de graça em computadores doados. O número de imagens feitas com um modelo é público, e cada uma conta como um download.
- Sites de geração
- Sites que hospedam suas próprias cópias de um modelo e deixam as pessoas gerarem com ele, como PixAI, SeaArt e Yodayo. Os downloads deles contam como os do Civitai e cada geração conta como um download.
- Tokens OpenRouter
- Um modelo de texto servido via API, como Claude ou GPT, não tem pesos para baixar, então seu uso é medido em tokens: os pedaços de texto que ele leu e escreveu via OpenRouter, um gateway usado por muitos apps, nos últimos 30 dias. Cada 10,000,000 tokens contam como um download. Fonte: OpenRouter (openrouter.ai/rankings), CC BY 4.0.
- Modelo completo (checkpoint)
- Os pesos em si, o arquivo que gera sozinho. Ganha um bônus porque complementos dependem dele.
- LoRA e embedding
- Arquivos pequenos que direcionam os pesos de outra pessoa para um estilo, personagem ou conceito. Não podem rodar sozinhos.
- Família e pesos
- A base em que um modelo é construído, como SD 1.5, SDXL, Flux ou Wan. Todo modelo herda a data de lançamento dos pesos da sua família.
- Idade
- Pontos retirados conforme há quanto tempo os pesos da família foram lançados: 150° por ano, até 750°. Mantém os downloads antigos que tiveram anos para acumular, evitando que saiam do topo da lista.
- Impulso da família
- Um pequeno empurrão limitado para LoRAs de uma família que este site está promovendo agora, sempre listado na divisão.
- Pontuação provisória
- Um número estável abaixo do mínimo dado a um modelo que ainda não tem dados de fonte, para a lista ficar completa. Nunca fica acima de um modelo com dados.
- Novo! (período de carência)
- Um modelo com menos de 7 dias mostra Novo! em vez de uma pontuação e não ocupa lugar no ranking. Sua pontuação é calculada desde o primeiro dia, mas um modelo com um dia cresce mais rápido que qualquer outro, então sem a espera o #1 da semana seria sempre o que saiu ontem, não o que se manteve por uma semana.
- Tendência
- Como o crescimento de um modelo num período se compara com o crescimento típico dos modelos no mesmo período. Crescimento mais rápido que o típico indica alta, mais lento indica queda.
- Modelo típico
- O meio do catálogo: metade dos modelos com número cresceu mais rápido no período, metade mais devagar.
Hermes 4 405B é um modelo de texto para a família Text / LLM listado no ModelTrends.ai, um catálogo somente leitura de modelos de IA de código aberto para imagem, vídeo e texto. Compare-o com outros modelos Text / LLM e veja a pontuação de calor para acompanhar a tendência.
Mais modelos Text / LLMMais Texto / LLM Text / LLMllmnousresearchraciocínioprogramaçãoagenteslocalmatemática
Navegar por família de modelos
Modelos Text / LLM
434
Modelos Anima
528
Modelos Chroma
19
Modelos Fibo
2
Modelos Flux
1,496
Modelos Flux 2 / Klein
1,239
Modelos Flux 3
3
Modelos Moss
3
Modelos Iris
1
Modelos MiniMax H3
364
Modelos Hunyuan
204
Modelos Ideogram
20
Modelos Krea2
717
Modelos Qwen
20
Modelos Qwen2
47
Modelos Ltx2
153