NVIDIA: Nemotron 3.5 Content Safety (free)

Nemotron 3.5 Content Safety est le modèle de garde-fou à 4 milliards de paramètres de NVIDIA, affiné à partir de Gemma-3-4B. Son rôle documenté est la modération des prompts et des réponses, la classification de contenu et les flux de travail liés à la politique de sûreté. NVIDIA décrit des sorties qui évaluent un prompt utilisateur et une réponse comme sûrs ou non sûrs, ajoutent des étiquettes de catégories de sûreté et incluent éventuellement une trace de raisonnement. L’évaluation est une sortie de modèle que l’application doit examiner et appliquer. Chaque message a un rôle system, developer, user ou assistant et un contenu de chaîne simple. Un name facultatif est une chaîne ; limitez chaque message à ces champs. Envoyez stream:false, ou omettez stream.

Utilisez l’ID exact nvidia/nemotron-3.5-content-safety:free avec POST /v1/chat/completions et un tableau messages non vide. Placez les éléments à évaluer dans le contenu textuel et distinguez le prompt utilisateur de la réponse du modèle lorsque les deux sont examinés. Une étape de modération pratique peut étiqueter explicitement ces deux passages et demander au modèle d’identifier les catégories pertinentes tout en gardant son évaluation liée au contenu fourni.

Cette édition Ailoot accepte du texte et renvoie du texte. Pour une file de revue, préparez la publication réelle, le brouillon de message d’assistance ou la réponse générée qui nécessite une évaluation, avec le contexte environnant qui en change le sens. Gardez les décisions applicatives, comme l’envoi d’un élément signalé en revue humaine, dans votre propre flux de travail. Les entrées multimédias, les paramètres d’appels d’outils et les paramètres explicites de cache ne font pas partie du profil de requête de cette édition.

La page du modèle indique une fenêtre de contexte de 128 000 tokens et jusqu’à 8 192 tokens de complétion. Ailoot exige aussi que l’intégralité du corps de requête JSON UTF-8, y compris les instructions et les noms de champs, tienne dans 128 000 octets. Pour un plafond de sortie explicite, définissez exactement l’un des paramètres max_tokens ou max_completion_tokens sur un entier positif de 1 à 8 192. Si aucun n’est fourni, Ailoot transmet un plafond de sortie de 4 096 tokens. Tenez compte de la conversation complète et de l’évaluation demandée. La description du modèle annonce la couverture de 12 langues ; préservez la formulation d’origine lorsque l’évaluation dépend de la langue source. Si votre application attend des étiquettes particulières, analysez et validez le texte renvoyé selon les règles de traitement choisies. Une réponse demandée ayant l’apparence du JSON ne garantit pas une sortie contrainte par un schéma.

Utilisez stream:false pour une réponse de conversation JSON complète. Lisez choices[].message.content, conservez chaque choix renvoyé et les éventuels champs de raisonnement fournis, ainsi que finish_reason et usage. Stockez l’évaluation avec le prompt et la réponse exacts qu’elle évalue pour pouvoir réexaminer la décision ultérieurement. Une évaluation d’un texte s’applique au texte et au contexte fournis ; évaluez une réponse substantiellement modifiée comme un élément distinct.

Préparez des éléments ne contenant aucune information confidentielle, comme l’exigent les conditions d’utilisation documentées de cette édition gratuite. Si la requête se termine sans évaluation complète, conservez l’identifiant de requête d’origine et les données renvoyées pendant la vérification de la tentative existante. Cette fiche documente un résultat de conversation direct et ne fournit aucun flux de travail distinct de tâche asynchrone ou d’annulation.