Nvidia presenterar Nemotron 3: varför gör NVDA sina senaste AI-modeller öppen källkod?

Nvidia tillkännagav på måndagen Nemotron 3-familjen av öppet släppta AI-modeller, träningsdataset och ingenjörsbibliotek.

Detta markerar en aggressiv satsning på öppen källkods AI-utveckling.

Åtgärden signalerar Nvidias avsikt att dominera inte bara hårdvarulagret av artificiell intelligens, utan även mjukvaru- och modelllagren.

Utvecklingen sker samtidigt som företag världen över söker inhemska, granskabara alternativ till slutna eller utländska AI-system.

Utgåvan paketerar modellvikter, ett syntetiskt förträningskorpus på nästan 10 biljoner tokens och detaljerade träningsrecept under en öppen licens.

Det gör det möjligt för utvecklare och företag att inspektera, anpassa och distribuera Nemotron-modeller på sin egen infrastruktur.

Den strategiska beräkningen är transparent, eftersom öppen källkod AI sprider sig globalt.

Med myndigheterna i USA som kräver transparens positionerar sig Nvidia som den betrodda inhemska leverantören, samtidigt som de stärker sitt ekosystem av utvecklare.

Vad Nvidia släppte: Modeller, data och tekniska påståenden

Nemotron 3-familjen består av tre modeller i ökande storlek: Nano (30 miljarder parametrar med 3 miljarder aktiva), Super (100 miljarder med 10 miljarder aktiva) och Ultra (500 miljarder med 50 miljarder aktiva).

Endast Nemotron 3 Nano-skepp omedelbart; Super och Ultra kommer under första halvan av 2026.

Nvidias främsta påstående är effektivitet. Nemotron 3 Nano levererar fyra gånger så mycket genomströmning som sin föregångare Nemotron 2 och minskar genereringen av resonemangstoken med upp till 60%.

Modellerna använder en hybrid latent blandning av experter, en design som endast aktiverar de mest relevanta beräkningsbanorna för varje uppgift och efterliknar hur den mänskliga hjärnan delar upp arbetet.

Detta tillvägagångssätt har blivit branschstandard, där de tio mest intelligenta open source-modellerna nu använder MoE, enligt oberoende benchmarkingdata.

Det bör noteras att mängden information en modell kan lagra i minnet ökar till en miljon tokens för Nano, sju gånger bredare än sin föregångare.

Det är viktigt för långformade dokument, kodarkiv och komplex flerstegsresonemang.

Super och Ultra utnyttjar Nvidias 4-bitars NVFP4-träningsformat på deras Blackwell-hårdvara, vilket minskar minneskraven och träningstiden utan att kompromissa med noggrannheten.

Alla modellvikter, träningskorpusar och detaljerade recept finns tillgängliga på GitHub och Hugging Face under NVIDIA Open Model License.

Utvecklare får också tillgång till NeMo Gym, NeMo RL och NeMo Evaluator, de öppna källkodsbiblioteken för träning, förstärkningsinlärning och säkerhetsvalidering.

Varför är öppen release viktig?

Den öppna versionen svarar direkt på den ökande efterfrågan på modelltransparens.

"Många av våra företagskunder kan inte distribuera vissa modeller eller bygga sin verksamhet på modeller med ogenomskinliga källkoder," sade Kari Briski, Nvidias vice VD för generativ AI-mjukvara.

Reglerade branscher som sjukvård, finans och försvar kräver granskabara, lokala alternativ till proprietära system som kontrolleras av utländska aktörer.

Nvidias drag får ökad kraft när Meta drar sig tillbaka från öppen källkod. Llamas tillväxt stannade av efter aprils ljummen lansering av Llama 4, vilket gav mark till konkurrenterna med öppna modeller.

Meta har undanhållit träningsdata även från nära partners som Nvidia, vilket begränsar förbättringar som drivs av communityn.

Nvidia publicerar däremot allt: vikter, recept och datamängder. Den transparensen kan locka företagskunder och statliga kontrakt som är försiktiga med ogenomskinliga beroenden.

Geopolitiskt förstärker amerikanska tullar och exportrestriktioner på kinesisk AI Nvidias fördel.