Nvidia præsenterer Nemotron 3: hvorfor gør NVDA sine nyeste AI-modeller open source?

Nvidia annoncerede mandag Nemotron 3-familien af åbent frigivne AI-modeller, træningsdatasæt og ingeniørbiblioteker.

Dette markerer et aggressivt indgreb i open source AI-udvikling.

Tiltaget signalerer Nvidias hensigt om ikke kun at dominere hardwarelaget af kunstig intelligens, men også software- og modellagene.

Udviklingen sker samtidig med, at virksomheder verden over søger indenlandske, reviderbare alternativer til lukkede eller udenlandske AI-systemer.

Udgivelsen samler modelvægte, et syntetisk fortræningskorpus på næsten 10 billioner tokens og detaljerede træningsopskrifter under en åben licens.

Det giver udviklere og virksomheder mulighed for at inspicere, tilpasse og implementere Nemotron-modeller på deres egen infrastruktur.

Den strategiske beregning er gennemsigtig, da open source AI udbreder sig globalt.

Med de amerikanske myndigheders krav om gennemsigtighed positionerer Nvidia sig som den betroede indenlandske leverandør, samtidig med at de styrker sit økosystem af udviklere.

Hvad Nvidia har udgivet: Modeller, data og tekniske påstande

Nemotron 3-familien består af tre modeller i stigende størrelser: Nano (30 milliarder parametre med 3 milliarder aktive), Super (100 milliarder med 10 milliarder aktive) og Ultra (500 milliarder med 50 milliarder aktive).

Kun Nemotron 3 Nano-skibe straks; Super og Ultra udkommer i første halvdel af 2026.

Nvidias hovedpåstand er effektivitet. Nemotron 3 Nano leverer fire gange så meget gennemstrømning som sin forgænger Nemotron 2 og reducerer genereringen af ræsonnementtokens med op til 60%.

Modellerne anvender en hybrid latent blanding af eksperter-arkitektur, et design der kun aktiverer de mest relevante beregningsveje for hver opgave og efterligner, hvordan den menneskelige hjerne opdeler arbejde.

Denne tilgang er blevet industristandarden, hvor de 10 mest intelligente open source-modeller nu bruger MoE ifølge uafhængige benchmarkingdata.

Det skal bemærkes, at mængden af information, en model kan holde i hukommelsen, udvides til en million tokens for Nano, syv gange bredere end dens forgænger.

Det er vigtigt for lange dokumenter, kodearkiver og kompleks flertrinsræsonnement.

Super og Ultra udnytter Nvidias 4-bit NVFP4-træningsformat på Blackwell-hardwaren, hvilket reducerer hukommelseskrav og træningstid uden at gå på kompromis med nøjagtigheden.

Alle modelvægte, træningskorpora og detaljerede opskrifter er tilgængelige på GitHub og Hugging Face under NVIDIA Open Model License.

Udviklere får også adgang til NeMo Gym, NeMo RL og NeMo Evaluator, de open source-biblioteker til træning, forstærkningslæring og sikkerhedsvalidering.

Hvorfor betyder åben frigivelse noget?

Den åbne udgivelse svarer direkte på den stigende efterspørgsel fra virksomheder efter modelgennemsigtighed.

"Mange af vores erhvervskunder kan ikke implementere visse modeller eller bygge deres forretning på modeller med uigennemsigtige kildekoder," sagde Kari Briski, Nvidias VP for generativ AI-software.

Regulerede brancher som sundhedsvæsen, finans og forsvar kræver reviderbare, lokale alternativer til proprietære systemer kontrolleret af udenlandske enheder.

Nvidias tiltag får mere kraft, efterhånden som Meta trækker sig tilbage fra open source. Llamas vækst gik i stå efter aprils lunkne lancering af Llama 4, hvilket gav plads til rivaler med åbne modeller.

Meta har tilbageholdt træningsdatasæt selv fra nære partnere som Nvidia, hvilket begrænser forbedringer drevet af fællesskabet.

Til sammenligning offentliggør Nvidia alt: vægte, opskrifter og datasæt. Den gennemsigtighed kunne tiltrække erhvervskunder og offentlige kontrakter, der er på vagt over for uigennemsigtige afhængigheder.

Geopolitisk forstærker amerikanske toldsatser og eksportrestriktioner på kinesisk AI Nvidias fordel.