01Ce qu'il sait faire
Points forts
- Échelle frontière (550B total, 55B actifs)
- Sparsité MoE : coût compute proche d'un dense 55B
- 128k contexte natif
- Licence NVIDIA Open Model (usage commercial OK)
Limites à connaître
- —~319 Go VRAM en Q4 — nécessite multi-GPU H100/MI300 ou serveur dédié
- —Gated sur Hugging Face (click-through)
- —Hors-portée du hardware grand public
Architecture
Mixture-of-Experts · 550B paramètres totaux · ~55B actifs par token · 128k contexte
Entraînement
Famille Nemotron 3 de NVIDIA. Variante frontière au-dessus de Nemotron 3 Super (120B). Optimisée raisonnement, code, agents.
Idéal pour
Entreprise datacenterRaisonnementCode
02Mémoire requise
VRAM GPU approximative pour faire tourner ce modèle, overhead contexte de 4k tokens inclus. Pour un contexte plus long, ajoutez ~1 Go par tranche de 8k tokens.
Q4_K_M
Le plus léger, ~5% de perte
319 Go
Q5_K_M
Bon compromis qualité/taille
390 Go
Q8_0
Quasi-indistinguable de FP16
588 Go
FP16
Pleine précision — usage serveur
1100 Go
Fallback CPU · Si vous n'avez pas de GPU, comptez 715 Go de RAM minimum pour faire tourner ce modèle à vitesse réduite.
03Vitesse attendue
Tokens générés par seconde en Q4_K_M, contexte 4k. Au-delà de 20 t/s, la lecture est confortable. En dessous de 10 t/s, c'est juste pour tester.
04Installer
Le chemin le plus court : Ollama. Une commande, le modèle est téléchargé et lancé.
$ollama pull nemotron-3-ultra
LM Studio
Interface graphique, zéro CLI
→ Voir le guide
llama.cpp
Perf brute, build from source
→ Voir le guide
vLLM
Serveur OpenAI-compatible prod
→ Voir le guide
Jan / GPT4All
Apps desktop tout-en-un
→ Voir le guide
⚠
Premier téléchargement : entre 2 et 40 Go selon la quantization choisie. Espace disque à prévoir, connexion stable recommandée. Les relances suivantes sont instantanées.