Nvidia avduker Nemotron 3: hvorfor gjør NVDA sine nyeste AI-modeller åpen kildekode?

Nvidia kunngjorde mandag Nemotron 3-familien av åpent utgitte AI-modeller, treningsdatasett og ingeniørbiblioteker.

Dette markerer en aggressiv satsing på åpen kildekode-AI-utvikling.

Dette signaliserer Nvidias intensjon om å dominere ikke bare maskinvarelaget av kunstig intelligens, men også programvare- og modelllagene.

Utviklingen skjer samtidig som selskaper over hele verden søker innenlandske, reviderbare alternativer til lukkede eller utenlandske AI-systemer.

Utgivelsen samler modellvekter, et syntetisk fortreningskorpus på nesten 10 billioner tokens, og detaljerte treningsoppskrifter under en åpen lisens.

Det gjør det mulig for utviklere og virksomheter å inspisere, tilpasse og distribuere Nemotron-modeller på sin egen infrastruktur.

Den strategiske beregningen er transparent, ettersom åpen kildekode-AI sprer seg globalt.

Med myndighetene i USA som krever åpenhet, posisjonerer Nvidia seg som den pålitelige innenlandske leverandøren, samtidig som de styrker sitt økosystem av utviklere.

Hva Nvidia ga ut: Modeller, data og tekniske påstander

Nemotron 3-familien består av tre modeller i økende størrelse: Nano (30 milliarder parametere med 3 milliarder aktive), Super (100 milliarder med 10 milliarder aktive) og Ultra (500 milliarder med 50 milliarder aktive).

Bare Nemotron 3 Nano-skip umiddelbart; Super og Ultra kommer i første halvdel av 2026.

Nvidias hovedpåstand er effektivitet. Nemotron 3 Nano leverer fire ganger så mye gjennomstrømning som forgjengeren Nemotron 2 og reduserer genereringen av resonnementstoken med opptil 60 %.

Modellene benytter en hybrid latent blanding av eksperter-arkitektur, et design som kun aktiverer de mest relevante beregningsbanene for hver oppgave, og etterligner hvordan den menneskelige hjernen deler opp arbeid.

Denne tilnærmingen har blitt bransjestandarden, med de ti mest intelligente åpen kildekode-modellene som nå bruker MoE, ifølge uavhengige benchmarkingdata.

Det må bemerkes at mengden informasjon en modell kan lagre i minnet øker til én million tokens for Nano, syv ganger bredere enn forgjengeren.

Det er viktig for langformede dokumenter, kodearkiver og kompleks flertrinns resonnement.

Super og Ultra utnytter Nvidias 4-bits NVFP4-treningsformat på Blackwell-maskinvaren, og reduserer minnekrav og treningstid uten å gå på kompromiss med presisjon.

Alle modellvekter, treningskorpora og detaljerte oppskrifter er tilgjengelige på GitHub og Hugging Face under NVIDIA Open Model License.

Utviklere får også tilgang til NeMo Gym, NeMo RL og NeMo Evaluator, de åpne kildekodebibliotekene for trening, forsterkningslæring og sikkerhetsvalidering.

Hvorfor er åpen utgivelse viktig?

Den åpne utgivelsen svarer direkte på økende etterspørsel fra bedrifter etter modelltransparens.

"Mange av våre bedriftskunder kan ikke distribuere visse modeller eller bygge virksomheten sin på modeller med ugjennomsiktige kildekoder," sa Kari Briski, Nvidias visepresident for generativ AI-programvare.

Regulerte bransjer som helsevesen, finans og forsvar krever reviderbare, lokale alternativer til proprietære systemer kontrollert av utenlandske aktører.

Nvidias trekk får økt styrke ettersom Meta trekker seg tilbake fra åpen kildekode. Llamas vekst stoppet opp etter den lunkne lanseringen av Llama 4 i april, og ga plass til konkurrentene med åpne modeller.

Meta har holdt tilbake treningsdatasett selv fra nære partnere som Nvidia, noe som begrenser forbedringer drevet av fellesskapet.

Til sammenligning publiserer Nvidia alt: vekter, oppskrifter og datasett. Denne åpenheten kan tiltrekke seg bedriftskunder og offentlige kontrakter som er skeptiske til uklare avhengigheter.

Geopolitisk forsterker amerikanske tollsatser og eksportrestriksjoner på kinesisk AI Nvidias fordel.