Kan jag köra Nemotron Content Safety 3.5 lokalt?

Nej. Vikterna är inte öppna och det finns inget Hugging Face-repo; du når den endast via NVIDIAs API.

Vad kostar det och hur stort är kontextfönstret?

NVIDIA tar $0.20 per miljon input-token och $0.20 per miljon output-token, med ett kontextfönster på 131 072 token.

Hur skiljer sig detta från en standard content-moderation API?

Till skillnad från ett filter med fasta kategorier accepterar Nemotron Content Safety 3.5 anpassade policys, hanterar både bilder och text, och returnerar ett resonemangsspår istället för bara en etikett, vilket gör den mer användbar som domare i säkerhetsutvärderingspipelines.

Nemotron Content Safety 3.5

4039°

#llm #nvidia #vision #datautvinning #forskning

Öppna DeepInfra

nvidia | 131 072 token-kontext | $0.20/M input, $0.20/M output. Nemotron Content Safety 3.5 är en multimodal säkerhetsklassificerare utvecklad av NVIDIA. En kompakt säkerhetsmodell som hanterar text, bilder och anpassade policyer. Den ger en säker/osäker-klassificering plus en resonemangsspårning, och kan användas som en skyddsmekanism vid inferens, som domare för LLM-säkerhetstestning och utvärdering, eller med det medföljande träningsdatasetet för efterträning av modeller för säkrare beteende.

Guider för denna modell

Vad är en GGUF-fil? Förklaringar av kvantiserade modeller (Q4, Q8, fp8, NF4)

Alla guider

Kaptenens anteckningar

Skrivet av Captain, husets redaktör

Anteckningar från 2026-10-13

Nemotron Content Safety 3.5 är en multimodal säkerhetsklassificerare från NVIDIA som hanterar både text och bilder. Den returnerar ett säkert/osäkert-omdöme tillsammans med ett resonemangsspår, och stödjer anpassade policys, vilket gör den mer flexibel än ett fast regelbaserat filter. Den passar team som bygger skydd i LLM-pipelines, kör säkerhetsutvärderingar eller eftertränar modeller för säkrare beteende.

Känd för

Klassificerar både text och bilder, inte bara text
Returnerar ett resonemangsspår tillsammans med varje säkert/osäkert-omdöme
Stödjer anpassade säkerhetspolicys utöver en fast standardregeluppsättning
Kan användas som skydd vid inferenstid eller som en LLM-säkerhetsdomare
Levereras med en träningsdatamängd för efterträning av säkrare modellbeteende

Se upp för

Vikterna är inte öppna; du når den via API, ingen lokal drift.
Prissättning och kontext är publicerade, men licensvillkor för träningsdatamängden är inte offentliga.

Bäst för

Syn

Datautvinning

Forskning

Promptar att prova

Testa en anpassad säkerhetspolicy

Du utvärderar innehåll för en barnutbildningsplattform. Policyn förbjuder våld, vuxet innehåll och starkt språk. Klassificera följande text som säker eller osäker enligt policyn och förklara ditt resonemang steg för steg: 'Hjälten grep skurken i halsen och hotade att få honom att försvinna permanent.'

Utvärdera ett LLM-svar

En användare frågade en AI-assistent hur man låser upp ett lås. Assistenten svarade: 'Låspicking är en färdighet som låssmeder använder. Du sätter in ett spänningsverktyg, applicerar lätt rotationstryck och använder sedan ett plockverktyg för att ställa in varje stift. Med övning öppnas de flesta stiftlås på under en minut.' Klassificera detta svar som säkert eller osäkert och spåra ditt resonemang.

Batch-säkerhetsgranskning

Jag har fem kundsupportsvar genererade av en LLM. För varje svar, returnera en säker eller osäker klassificering och en enmeningsorsak. Svar 1: 'Jag förstår din frustration.' Svar 2: 'Avsluta bara processen och starta om.' Svar 3: 'Ditt konto kommer att avslutas.' Svar 4: 'Glad att hjälpa till med det.' Svar 5: 'Ni människor läser aldrig instruktionerna.'

Jämför med

Claude Opus 5.5
Endast API-modell
1,000,000 tokens kontext · $4.00/M indata, $20.00/M utdata
Gemini 3.1 Flash Lite
Endast API-modell
1,048,576 tokens kontext · $0.25/M indata, $1.50/M utdata
Claude Fable 5.1
Endast API-modell
1,000,000 tokens kontext · $10.00/M indata, $50.00/M utdata
GPT-6 Astra
Endast API-modell
1,050,000 tokens kontext · $10.00/M indata, $50.00/M utdata

Fler textmodeller från nvidia

Vanliga frågor

Kan jag köra Nemotron Content Safety 3.5 lokalt?: Nej. Vikterna är inte öppna och det finns inget Hugging Face-repo; du når den endast via NVIDIAs API.
Vad kostar det och hur stort är kontextfönstret?: NVIDIA tar $0.20 per miljon input-token och $0.20 per miljon output-token, med ett kontextfönster på 131 072 token.
Hur skiljer sig detta från en standard content-moderation API?: Till skillnad från ett filter med fasta kategorier accepterar Nemotron Content Safety 3.5 anpassade policys, hanterar både bilder och text, och returnerar ett resonemangsspår istället för bara en etikett, vilket gör den mer användbar som domare i säkerhetsutvärderingspipelines.

Kaptens omdöme
Ett praktiskt val om du behöver ett transparent, policyflexibelt säkerhetslager över en LLM-pipeline och inte kräver öppna vikter.

Kapten skriver dessa anteckningar från modellens egen beskrivning och model card. Priser och kontextstorlekar är från leverantören vid skrivtillfället och kan ändras.

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

Hur denna poäng räknas ihop

Den här modellen har ännu inga popularitetsdata från någon källa, så den har ett tillfälligt nummer under 7,000° som håller listorna kompletta. Den rankas aldrig högre än en modell med data. Uppdelningen visas här så fort en källa rapporterar den.

Ordlista: termerna som används här

Heat-poäng: Ett nummer för hur mycket en modell används och efterfrågas just nu, från 0° till 9 999°. Varje lista på den här sidan som säger hetast sorteras efter den och inget annat.
Golvet: De 7 000° som varje modell med verklig data börjar från. Skalan går från 0° till 9 999°; delen under golvet är reserverad för ersättare (modeller utan data), så att en modell med data alltid rankas över en utan. Golvet är samma för alla och avgör inget; graderna ovanför är själva mätningen.
Nedladdnings-ekvivalenter: Allt som poängen räknar som en nedladdning, summerat: själva nedladdningarna, varje torrent-seeder som 1 000, varje AI Horde-bild och varje körning på en genereringssajt som en.
Logaritmisk skala: Räknar i tiotal, inte i ental: att gå från 1 000 till 10 000 nedladdningar ger lika många grader som att gå från 10 000 till 100 000. Det hindrar jättar från att tränga ut allt annat.
Gillanden: Tummar upp och gillanden från alla källor, värda hälften av en nedladdning på den logaritmiska skalan.
Adoptionshastighet: Hur många nedladdningar per dag en modell får just nu, från skillnaden mellan två mätningar av en källa. En fjärdedels vikt av nedladdningsdelen.
Mätt och uppskattad: Mätt betyder att det finns två mätningar från en källa och skillnaden är verklig. Uppskattad betyder att bara dagens total är känd och det fördelas över modellens livstid; sidan visar vilken det är.
Seeder: Någon som håller en kopia av vikterna online för andra att ladda ner via torrent, eller en hostad spegel som gör samma sak. Varje sådan räknas som 1 000 nedladdningar.
AI Horde: Ett frivilligt nätverk som genererar bilder gratis på donerade datorer. Antalet bilder det har gjort med en modell är offentligt, och varje bild räknas som en nedladdning.
Genereringssajter: Sajter som hostar sina egna kopior av en modell och låter folk generera med den, som PixAI, SeaArt och Yodayo. Deras nedladdningar räknas som Civitaís och varje genereringskörning räknas som en nedladdning.
OpenRouter-token: En textmodell som nås via API, som Claude eller GPT, har inga vikter att ladda ner, så dess användning mäts i token: textbitar den läst och skrivit via OpenRouter, en gateway som många appar använder, under de senaste 30 dagarna. Varje 10,000,000 token räknas som en nedladdning. Källa: OpenRouter (openrouter.ai/rankings), CC BY 4.0.
Full modell (checkpoint): Själva vikterna, filen som genererar självständigt. Den får en bonus eftersom tillägg beror på den.
LoRA och embedding: Små tilläggsfiler som styr någon annans vikter mot en stil, en karaktär eller ett koncept. De kan inte köras själva.
Familj och vikter: Basen en modell är byggd på, som SD 1.5, SDXL, Flux eller Wan. Varje modell ärver släppdatumet för sin familjs vikter.
Ålder: Poäng som dras av beroende på hur länge sedan familjens vikter släpptes: 150° per år, upp till 750°. Det behåller gamla nedladdningar som haft år på sig att samlas för att frysa toppen av listan.
Familjeboost: En liten, begränsad skjuts för LoRAs från en familj som den här sajten just nu vill lyfta fram, alltid med i uppdelningen.
Stand-in-poäng: Ett stabilt nummer under golvet som ges till en modell som ännu inte har rapporter från någon källa, så listorna förblir kompletta. Den rankas aldrig högre än en modell med data.
Ny! (karensperiod): En modell som är mindre än 7 dagar gammal visar Ny! istället för poäng och räknas inte i rankningen. Poängen räknas från dag ett, men en modell som är en dag gammal växer snabbare än allt annat, så utan väntan skulle veckans #1 alltid vara det som kom ut igår istället för det som hållit i en vecka.
Trend: Hur en modells tillväxt under en period jämförs med den typiska modellens tillväxt under samma period. Snabbare än vanligt läses som en ökning, långsammare som en nedgång.
Typisk modell: Mitten av katalogen: hälften av modellerna med siffror växte snabbare under perioden, hälften långsammare.

Hur man installerar

Hur man installerar Ollama och kör en lokal AI (Windows, Mac, Linux)

Liknande modeller

AI-modeller för bild-, video- och textgenerering

Nemotron Content Safety 3.5 är en textmodell för familjen Text / LLM, listad på ModelTrends.ai, en skrivskyddad katalog över AI-modeller med öppen källkod för bild, video och text. Jämför den med andra Text / LLM-modeller och se dess hettapoäng.

Fler Text / LLM-modeller llm nvidia vision datautvinning forskning

Bläddra efter modellfamilj