Nemotron 3 Nano 30B A3B è il modello testuale ibrido mixture-of-experts di NVIDIA, sviluppato come unico profilo per attività con e senza ragionamento. Accetta testo e genera testo, sviluppando normalmente una traccia di ragionamento prima della risposta finale. Il template di chat del produttore può disattivare quella traccia per ottenere risposte dirette, con un possibile compromesso sui prompt più difficili che traggono beneficio dall’analisi.
L’architettura del produttore è un ibrido Mamba-2/transformer con circa trenta miliardi di parametri totali. Il suo progetto comprende cinquantadue strati: ventitré strati Mamba-2, ventitré strati di esperti e sei strati di attenzione. Ogni strato di esperti ha 128 esperti selezionati dall’instradamento e un esperto condiviso, attivando sei esperti selezionati per token.
NVIDIA descrive un addestramento su venticinquemila miliardi di token, seguito da fine-tuning supervisionato e apprendimento per rinforzo in più ambienti. Gli ambiti del post-addestramento comprendono codice, matematica, scienza, istruzioni, output strutturati, strumenti in più passaggi e conversazioni su più turni. Queste sono proprietà originali di Nano, separate dalla successiva versione 3.5 Lightning con predizione di più token.
Per la matematica, fornisci l’intero enunciato e il formato del risultato finale. Per il codice, fornisci la funzione pertinente, un input rappresentativo, l’errore osservato e il comportamento richiesto. Una consegna utile è: «Segui questo input attraverso l’implementazione, individua la prima condizione errata e restituisci una correzione mirata con la spiegazione che la sostiene». Un’estrazione ordinaria può invece richiedere soltanto i campi definiti.
Il produttore elenca inglese, spagnolo, francese, tedesco, giapponese e italiano. Specifica la lingua della risposta e mantieni intatta la terminologia richiesta. Richiedi l’artefatto finale separatamente dal ragionamento intermedio, così il risultato rimane utile come spiegazione, codice o record strutturato.
NVIDIA mostra un client di riferimento che prima ottiene il contenuto del ragionamento, chiude una traccia incompleta e poi usa il budget di generazione rimanente per la risposta finale. È una procedura del client del produttore, non una soglia nativa esatta implicita nel nome del modello. Scegli un budget di risposta che lasci spazio alla risposta finale anziché consumare tutto lo spazio disponibile con l’analisi.
Il profilo del produttore comprende addestramento all’uso degli strumenti e agli output strutturati. Un’applicazione fornisce le definizioni delle funzioni, esegue le operazioni selezionate e restituisce le relative osservazioni. Mantieni quei risultati associati alle rispettive chiamate. Una risposta basata sulle fonti può usare il materiale effettivamente recuperato o il calcolo reale, mentre una revisione del codice deve usare i riscontri di validazione osservati.
La scheda del modello indica un profilo massimo di input e output da un milione di token per la sua architettura a contesto lungo. Queste cifre devono essere usate con la configurazione di esecuzione selezionata e il budget di contesto condiviso; prompt, cronologia, ragionamento e risposta continuano a occupare spazio insieme. Una finestra lunga non rende una raccolta di fonti non strutturata un’attività chiara.
Organizza i documenti per fonte e il codice per confini pertinenti, e specifica che cosa completa l’incarico. Verifica i valori rispetto al materiale e il codice nella sua applicazione prevista. Il risultato utile è un output testuale con le evidenze e le informazioni irrisolte identificate, mantenendo l’esatta edizione Nano anziché attribuirle funzionalità o ipotesi sulla precisione di versioni Nemotron successive.
", "aboutText": "Nemotron 3 Nano 30B A3B è il modello testuale ibrido mixture-of-experts di NVIDIA, sviluppato come unico profilo per attività con e senza ragionamento. Accetta testo e genera testo, sviluppando normalmente una traccia di ragionamento prima della risposta finale. Il template di chat del produttore può disattivare quella traccia per ottenere risposte dirette, con un possibile compromesso sui prompt più difficili che traggono beneficio dall’analisi.\n\n### Architettura e addestramento\n\nL’architettura del produttore è un ibrido Mamba-2/transformer con circa trenta miliardi di parametri totali. Il suo progetto comprende cinquantadue strati: ventitré strati Mamba-2, ventitré strati di esperti e sei strati di attenzione. Ogni strato di esperti ha 128 esperti selezionati dall’instradamento e un esperto condiviso, attivando sei esperti selezionati per token.\n\nNVIDIA descrive un addestramento su venticinquemila miliardi di token, seguito da fine-tuning supervisionato e apprendimento per rinforzo in più ambienti. Gli ambiti del post-addestramento comprendono codice, matematica, scienza, istruzioni, output strutturati, strumenti in più passaggi e conversazioni su più turni. Queste sono proprietà originali di Nano, separate dalla successiva versione 3.5 Lightning con predizione di più token.\n\n### Prepara un’attività con ragionamento o risposta diretta\n\nPer la matematica, fornisci l’intero enunciato e il formato del risultato finale. Per il codice, fornisci la funzione pertinente, un input rappresentativo, l’errore osservato e il comportamento richiesto. Una consegna utile è: «Segui questo input attraverso l’implementazione, individua la prima condizione errata e restituisci una correzione mirata con la spiegazione che la sostiene». Un’estrazione ordinaria può invece richiedere soltanto i campi definiti.\n\nIl produttore elenca inglese, spagnolo, francese, tedesco, giapponese e italiano. Specifica la lingua della risposta e mantieni intatta la terminologia richiesta. Richiedi l’artefatto finale separatamente dal ragionamento intermedio, così il risultato rimane utile come spiegazione, codice o record strutturato.\n\n### Riferimento per il budget di ragionamento\n\nNVIDIA mostra un client di riferimento che prima ottiene il contenuto del ragionamento, chiude una traccia incompleta e poi usa il budget di generazione rimanente per la risposta finale. È una procedura del client del produttore, non una soglia nativa esatta implicita nel nome del modello. Scegli un budget di risposta che lasci spazio alla risposta finale anziché consumare tutto lo spazio disponibile con l’analisi.\n\n### Strumenti e contesto lungo\n\nIl profilo del produttore comprende addestramento all’uso degli strumenti e agli output strutturati. Un’applicazione fornisce le definizioni delle funzioni, esegue le operazioni selezionate e restituisce le relative osservazioni. Mantieni quei risultati associati alle rispettive chiamate. Una risposta basata sulle fonti può usare il materiale effettivamente recuperato o il calcolo reale, mentre una revisione del codice deve usare i riscontri di validazione osservati.\n\nLa scheda del modello indica un profilo massimo di input e output da un milione di token per la sua architettura a contesto lungo. Queste cifre devono essere usate con la configurazione di esecuzione selezionata e il budget di contesto condiviso; prompt, cronologia, ragionamento e risposta continuano a occupare spazio insieme. Una finestra lunga non rende una raccolta di fonti non strutturata un’attività chiara.\n\nOrganizza i documenti per fonte e il codice per confini pertinenti, e specifica che cosa completa l’incarico. Verifica i valori rispetto al materiale e il codice nella sua applicazione prevista. Il risultato utile è un output testuale con le evidenze e le informazioni irrisolte identificate, mantenendo l’esatta edizione Nano anziché attribuirle funzionalità o ipotesi sulla precisione di versioni Nemotron successive.", "editorialOverlay": { "copy_fields": { "practical_html": "Esempio tecnico in inglese
Trace an inclusive-range defect\n\nTrace this Python code for start=2 and end=4: values = []\nfor n in range(start, end):\n values.append(n)\n The caller expects both endpoints included. Explain the first mismatch and propose a focused correction preserving ascending integer inputs. Include tests for 2 through 4 and equal endpoints, and state how descending inputs should be handled.A short trace, an inclusive-range correction, two tests and an explicit descending-input assumption.The equal-endpoint test yields one included value, and the changed bound does not omit end.nvidia/nemotron-3-nano-30b-a3bNemotron 3 Nano è il modello testuale ibrido Mamba-2/transformer di NVIDIA per il ragionamento e le risposte dirette. Il suo profilo del produttore da circa 30B supporta domande su contesti lunghi, programmazione, attività strutturate e strumenti, con ragionamento configurabile e un metodo di riferimento per controllarne la lunghezza.
Questa descrizione illustra le funzionalità del modello. Gli input, gli output e le opzioni disponibili in Ailoot per il metodo selezionato sono elencati di seguito.
Nemotron 3 Nano 30B A3B è il modello testuale ibrido mixture-of-experts di NVIDIA, sviluppato come unico profilo per attività con e senza ragionamento. Accetta testo e genera testo, sviluppando normalmente una traccia di ragionamento prima della risposta finale. Il template di chat del produttore può disattivare quella traccia per ottenere risposte dirette, con un possibile compromesso sui prompt più difficili che traggono beneficio dall’analisi.
L’architettura del produttore è un ibrido Mamba-2/transformer con circa trenta miliardi di parametri totali. Il suo progetto comprende cinquantadue strati: ventitré strati Mamba-2, ventitré strati di esperti e sei strati di attenzione. Ogni strato di esperti ha 128 esperti selezionati dall’instradamento e un esperto condiviso, attivando sei esperti selezionati per token.
NVIDIA descrive un addestramento su venticinquemila miliardi di token, seguito da fine-tuning supervisionato e apprendimento per rinforzo in più ambienti. Gli ambiti del post-addestramento comprendono codice, matematica, scienza, istruzioni, output strutturati, strumenti in più passaggi e conversazioni su più turni. Queste sono proprietà originali di Nano, separate dalla successiva versione 3.5 Lightning con predizione di più token.
Per la matematica, fornisci l’intero enunciato e il formato del risultato finale. Per il codice, fornisci la funzione pertinente, un input rappresentativo, l’errore osservato e il comportamento richiesto. Una consegna utile è: «Segui questo input attraverso l’implementazione, individua la prima condizione errata e restituisci una correzione mirata con la spiegazione che la sostiene». Un’estrazione ordinaria può invece richiedere soltanto i campi definiti.
Il produttore elenca inglese, spagnolo, francese, tedesco, giapponese e italiano. Specifica la lingua della risposta e mantieni intatta la terminologia richiesta. Richiedi l’artefatto finale separatamente dal ragionamento intermedio, così il risultato rimane utile come spiegazione, codice o record strutturato.
NVIDIA mostra un client di riferimento che prima ottiene il contenuto del ragionamento, chiude una traccia incompleta e poi usa il budget di generazione rimanente per la risposta finale. È una procedura del client del produttore, non una soglia nativa esatta implicita nel nome del modello. Scegli un budget di risposta che lasci spazio alla risposta finale anziché consumare tutto lo spazio disponibile con l’analisi.
Il profilo del produttore comprende addestramento all’uso degli strumenti e agli output strutturati. Un’applicazione fornisce le definizioni delle funzioni, esegue le operazioni selezionate e restituisce le relative osservazioni. Mantieni quei risultati associati alle rispettive chiamate. Una risposta basata sulle fonti può usare il materiale effettivamente recuperato o il calcolo reale, mentre una revisione del codice deve usare i riscontri di validazione osservati.
La scheda del modello indica un profilo massimo di input e output da un milione di token per la sua architettura a contesto lungo. Queste cifre devono essere usate con la configurazione di esecuzione selezionata e il budget di contesto condiviso; prompt, cronologia, ragionamento e risposta continuano a occupare spazio insieme. Una finestra lunga non rende una raccolta di fonti non strutturata un’attività chiara.
Organizza i documenti per fonte e il codice per confini pertinenti, e specifica che cosa completa l’incarico. Verifica i valori rispetto al materiale e il codice nella sua applicazione prevista. Il risultato utile è un output testuale con le evidenze e le informazioni irrisolte identificate, mantenendo l’esatta edizione Nano anziché attribuirle funzionalità o ipotesi sulla precisione di versioni Nemotron successive.
POST /v1/chat/completionstexttext| Campo | Tipo | Requisito | Valori e limiti | Predefinito |
|---|---|---|---|---|
Campomodel | Tipostring | RequisitoObbligatorio | Valori e limiti nvidia/nemotron-3-nano-30b-a3b | Predefinito— |
Campomessages | Tipomessage[] | RequisitoObbligatorio | Valori e limiti Numero minimo di elementi: 1 | Predefinito— |
Campomessages[].role | Tipostring | RequisitoObbligatorio | Valori e limiti Esempi: system, user, assistant, tool, function Condizioni: Questi ruoli sono rappresentati esplicitamente dai tipi di compatibilità del codice sorgente; l’insieme esatto dei ruoli rimane specifico del modello. Dipende dal modello | Predefinito— |
Campomessages[].content | Tipostring|content_part[]|null | RequisitoFacoltativo | Valori e limiti | Predefinito— |
Campomessages[].tool_calls | Tipotool_call[] | RequisitoFacoltativo | Valori e limiti | Predefinito— |
Campomessages[].tool_call_id | Tipostring | RequisitoFacoltativo | Valori e limiti Si applica quando: role=tool; usa l’ID effettivamente restituito | Predefinito— |
Campomessages[].name | Tipostring | RequisitoFacoltativo | Valori e limiti | Predefinito— |
Campomessages[].reasoning_content | Tipostring | RequisitoFacoltativo | Valori e limiti Si applica quando: Reinserisci il ragionamento effettivamente restituito quando il modello lo utilizza | Predefinito— |
Campomessages[].reasoning_details | Tipoobject|array | RequisitoFacoltativo | Valori e limiti Dipende dal modello | Predefinito— |
Campomax_tokens | Tipointeger | RequisitoFacoltativo | Valori e limiti Minimo: 1 Dipende dal modello | Predefinito— |
Campomax_completion_tokens | Tipointeger | RequisitoFacoltativo | Valori e limiti Minimo: 1 Dipende dal modello | Predefinito— |
Campostream | Tipoboolean | RequisitoFacoltativo | Valori e limiti | Predefinitofalse |
Campostream_options.include_usage | Tipoboolean | RequisitoFacoltativo | Valori e limiti Dipende dal modello | Predefinito— |
Campotemperature | Tiponumber | RequisitoFacoltativo | Valori e limiti Dipende dal modello | Predefinito— |
Campotop_p | Tiponumber | RequisitoFacoltativo | Valori e limiti Dipende dal modello | Predefinito— |
Campostop | Tipostring|string[] | RequisitoFacoltativo | Valori e limiti Dipende dal modello | Predefinito— |
Campotools | Tipofunction_tool[] | RequisitoFacoltativo | Valori e limiti Dipende dal modello | Predefinito— |
Campotools[].type | Tipostring | RequisitoFacoltativo | Valori e limiti function Dipende dal modello | Predefinito— |
Campotools[].function.name | Tipostring | RequisitoObbligatorio | Valori e limiti Si applica quando: Funzione fornita come strumento | Predefinito— |
Campotools[].function.description | Tipostring | RequisitoFacoltativo | Valori e limiti | Predefinito— |
Campotools[].function.parameters | TipoJSON_schema | RequisitoFacoltativo | Valori e limiti | Predefinito— |
Campotool_choice | Tipostring|object | RequisitoFacoltativo | Valori e limiti Dipende dal modello | Predefinito— |
Campoparallel_tool_calls | Tipoboolean | RequisitoFacoltativo | Valori e limiti Dipende dal modello | Predefinito— |
Camporesponse_format | Tipoobject | RequisitoFacoltativo | Valori e limiti Dipende dal modello | Predefinito— |
Camporeasoning_effort | Tipostring | RequisitoFacoltativo | Valori e limiti Dipende dal modello | Predefinito— |
Camporeasoning | Tipoobject | RequisitoFacoltativo | Valori e limiti Dipende dal modello | Predefinito— |
Camposervice_tier | Tipostring | RequisitoFacoltativo | Valori e limiti Dipende dal modello | Predefinito— |
Campoinstructions | Tipostring | RequisitoFacoltativo | Valori e limiti Campo di compatibilità | Predefinito— |
Campofunctions | Tipofunction[] | RequisitoFacoltativo | Valori e limiti Dipende dal modello | Predefinito— |
Campofunction_call | Tipostring|object | RequisitoFacoltativo | Valori e limiti Dipende dal modello | Predefinito— |
Campoprompt_cache_options | Tipoobject | RequisitoFacoltativo | Valori e limiti Dipende dal modello | Predefinito— |
Campomodalities | Tipostring[] | RequisitoFacoltativo | Valori e limiti text | Predefinito— |
Campoprovider | Tipoobject | RequisitoFacoltativo | Valori e limiti Condizioni: provider.options viene rifiutato su questa rotta testuale Ultra | Predefinito— |
Campocache_control.ttl | Tipostring | RequisitoFacoltativo | Valori e limiti Condizioni: 1h viene rifiutato nelle posizioni effettive della cache dei prompt | Predefinito— |
Testo · Testo UTF8
messages[].content
| Parametro | Contratto |
|---|---|
Parametrocontent_type | Contrattoapplication/json |
Parametrorequired | Contrattomodel, messages |
Parametromaterial_types | Contrattotext |
Parametromessages | ContrattoArray di messaggi con struttura role/content |
Parametrofile_material | ContrattoDocumento UTF-8 effettivo inserito come testo letterale; nessun ID di file dedotto |
Parametrooptional_controls | Contrattostream, temperature, top_p, stop, max_tokens, max_completion_tokens, reasoning, response_format, tools, tool_choice |
Parametrocontrol_scope | ContrattoSpecifico del modello; gli strumenti di funzione dell’utente differiscono dagli strumenti ospitati |
Parametrooutput_modalities | Contrattotext |
Parametrohosted_operations | Contrattofalse |
Parametromultimodal_input_binding | Contrattonull |
Ciclo di vita: synchronous_or_streamed
Invia l’ID esatto del modello con messages.
La lunghezza del contesto non è un limite di uscita.
Un file di testo può fornire testo letterale; gli ingressi immagine/audio/oggetto file richiedono un’associazione esatta.
Le tariffe non aggiungono opzioni alla richiesta. I parametri supportati sono elencati nel metodo selezionato.
Associa ogni costo alle condizioni indicate. Usa una sola tariffa per ogni insieme di configurazioni alternative.
| Configurazione | Listino delle tariffe | Token di contesto, più di | Token di contesto, fino al limite incluso | Costo |
|---|---|---|---|---|
| ConfigurazioneTariffe di base dei token | Listino delle tariffeTariffa base | Token di contesto, più di— | Token di contesto, fino al limite inclusoNessun limite superiore | Costo Input · Token in input $0.0001 / 1K token Output · Token in output $0.0004 / 1K token Input · Lettura dalla cache — / 1K token Input · Scrittura nella cache — / 1K token Input · Scrittura nella cache, 1 ora — / 1K token |
| ConfigurazioneFascia 1 di lunghezza della richiesta | Listino delle tariffe— | Token di contesto, più di0 | Token di contesto, fino al limite inclusoNessun limite superiore | Costo Input · Token in input $0.0001 / 1K token Output · Token in output $0.0004 / 1K token Input · Lettura dalla cache — / 1K token Input · Scrittura nella cache — / 1K token Input · Scrittura nella cache, 1 ora — / 1K token |
Ailoot prenota un importo stimato prima di una richiesta. Dopo il risultato, addebita il costo finale in base all’utilizzo misurato. Per lo streaming, l’addebito usa il record finale di utilizzo. Come funzionano la prenotazione e l’addebito finale →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model": "nvidia/nemotron-3-nano-30b-a3b", "messages": [{"role": "user", "content": "Explain the difference between an observation and a hypothesis in three sentences."}]}')\n\nPath("request.json").write_text(json.dumps(p,ensure_ascii=False))\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/chat/completions \\\n -H "Authorization: Bearer $AILOOT_API_KEY" -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\nr=json.loads(Path("result.json").read_text())\nfor x in r.get("choices",[]):\n if x.get("message",{}).get("content"): print(x["message"]["content"])\nPY_RESULT\nfrom openai import OpenAI\nimport os\n\nif not os.environ.get("AILOOT_API_KEY", "").strip(): raise SystemExit("Set AILOOT_API_KEY before making a request")\nclient=OpenAI(base_url="https://api.ailoot.ai/v1",api_key=os.environ["AILOOT_API_KEY"],max_retries=0)\nresult=client.chat.completions.create(model='nvidia/nemotron-3-nano-30b-a3b',messages=[{"role":"user","content":"Explain observations and hypotheses in three sentences."}])\nimport base64, json\nfrom pathlib import Path\n\ndef save_result(data, stem="result"):\n # Keep every field, including usage, IDs, reasoning and tool requests.\n Path(stem + ".json").write_text(json.dumps(data, ensure_ascii=False, indent=2), encoding="utf-8")\n print(json.dumps(data, ensure_ascii=False, indent=2))\n def save_blob(encoded, suffix, label):\n raw = base64.b64decode(encoded, altchars=b"-_", validate=True)\n ext = "png" if raw.startswith(b"\\x89PNG\\r\\n\\x1a\\n") else "jpg" if raw.startswith(b"\\xff\\xd8") else "webp" if raw[:4] == b"RIFF" and raw[8:12] == b"WEBP" else suffix\n file = Path(stem + "-" + label + "." + ext)\n file.write_bytes(raw)\n print("Saved", file)\n for index, block in enumerate(data.get("content") or []):\n print("Content", index, json.dumps(block, ensure_ascii=False))\n for choice in data.get("choices") or []:\n print("Choice", choice.get("index"), json.dumps(choice.get("message", choice.get("delta", {})), ensure_ascii=False))\n for index, item in enumerate(data.get("output") or []):\n print("Output", index, json.dumps(item, ensure_ascii=False))\n if item.get("type") == "image_generation_call" and item.get("result"):\n save_blob(item["result"], item.get("output_format") or "bin", "output-" + str(index))\n for ci, candidate in enumerate(data.get("candidates") or []):\n for pi, part in enumerate((candidate.get("content") or {}).get("parts") or []):\n print("Candidate/part", ci, pi, json.dumps(part, ensure_ascii=False))\n blob = part.get("inlineData") or part.get("inline_data")\n if blob and blob.get("data"):\n mime = blob.get("mimeType") or blob.get("mime_type")\n suffix = {"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"}.get(mime, "bin")\n save_blob(blob["data"], suffix, "candidate-" + str(ci) + "-part-" + str(pi))\n\nsave_result(result.to_dict(mode="json"))\nfrom openai import OpenAI\nimport os\nfrom pathlib import Path\n\nif not os.environ.get("AILOOT_API_KEY", "").strip(): raise SystemExit("Set AILOOT_API_KEY before making a request")\nclient=OpenAI(base_url="https://api.ailoot.ai/v1",api_key=os.environ["AILOOT_API_KEY"],max_retries=0)\nimport base64, json\nfrom pathlib import Path\n\ndef save_result(data, stem="result"):\n # Keep every field, including usage, IDs, reasoning and tool requests.\n Path(stem + ".json").write_text(json.dumps(data, ensure_ascii=False, indent=2), encoding="utf-8")\n print(json.dumps(data, ensure_ascii=False, indent=2))\n def save_blob(encoded, suffix, label):\n raw = base64.b64decode(encoded, altchars=b"-_", validate=True)\n ext = "png" if raw.startswith(b"\\x89PNG\\r\\n\\x1a\\n") else "jpg" if raw.startswith(b"\\xff\\xd8") else "webp" if raw[:4] == b"RIFF" and raw[8:12] == b"WEBP" else suffix\n file = Path(stem + "-" + label + "." + ext)\n file.write_bytes(raw)\n print("Saved", file)\n for index, block in enumerate(data.get("content") or []):\n print("Content", index, json.dumps(block, ensure_ascii=False))\n for choice in data.get("choices") or []:\n print("Choice", choice.get("index"), json.dumps(choice.get("message", choice.get("delta", {})), ensure_ascii=False))\n for index, item in enumerate(data.get("output") or []):\n print("Output", index, json.dumps(item, ensure_ascii=False))\n if item.get("type") == "image_generation_call" and item.get("result"):\n save_blob(item["result"], item.get("output_format") or "bin", "output-" + str(index))\n for ci, candidate in enumerate(data.get("candidates") or []):\n for pi, part in enumerate((candidate.get("content") or {}).get("parts") or []):\n print("Candidate/part", ci, pi, json.dumps(part, ensure_ascii=False))\n blob = part.get("inlineData") or part.get("inline_data")\n if blob and blob.get("data"):\n mime = blob.get("mimeType") or blob.get("mime_type")\n suffix = {"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"}.get(mime, "bin")\n save_blob(blob["data"], suffix, "candidate-" + str(ci) + "-part-" + str(pi))\n\nwith client.chat.completions.stream(model='nvidia/nemotron-3-nano-30b-a3b',messages=[{"role":"user","content":"Explain observations and hypotheses in three sentences."}]) as stream:\n with Path("stream-events.jsonl").open("w",encoding="utf-8") as log:\n for event in stream:\n payload=event.to_dict(mode="json")\n log.write(json.dumps(payload,ensure_ascii=False)+"\\n"); log.flush()\n print(json.dumps(payload,ensure_ascii=False))\n final=stream.get_final_completion()\n save_result(final.to_dict(mode="json"),"stream-result")\njson o SSE
Conserva ogni risposta, file e parte di contenuto restituiti per intero.
Conserva ogni scelta con contenuto, chiamate agli strumenti e ragionamento. In SSE assembla i delta per indice di scelta e strumento e conserva il motivo finale di completamento e i dati di utilizzo.
Conserva gli ID e le intestazioni di richiesta/risposta. Non viene fornito alcun URL generico per recuperare un’attività testuale.
| Campo | Tipo |
|---|---|
Campochoices[].index | Tipointeger |
Campochoices[].message.content | Tipostring|null |
Campochoices[].message.tool_calls | Tipotool_call[] |
Campochoices[].message.reasoning_content | Tipostring |
Campochoices[].message.reasoning_details | Tipoobject|array |
Campochoices[].finish_reason | Tipostring|null |
Campousage | Tipoobject |
| Risposta | Condizione | Passaggio successivo |
|---|---|---|
Risposta400 · invalid_request_error | CondizioneCampi obbligatori, rappresentazione del materiale o valore del parametro non validi | Passaggio successivoCorreggi i campi indicati prima di una nuova richiesta di creazione. |
Ailoot Ultra nvidia/nemotron-3-nano-30b-a3b
Usa i percorsi dei metodi indicati sopra.
nvidia/nemotron-3-nano-30b-a3bNemotron 3 Nano è il modello testuale ibrido Mamba-2/transformer di NVIDIA per il ragionamento e le risposte dirette. Il suo profilo del produttore da circa 30B supporta domande su contesti lunghi, programmazione, attività strutturate e strumenti, con ragionamento configurabile e un metodo di riferimento per controllarne la lunghezza.
Questa descrizione illustra le funzionalità del modello. Gli input, gli output e le opzioni disponibili in Ailoot per il metodo selezionato sono elencati di seguito.
Nemotron 3 Nano 30B A3B è il modello testuale ibrido mixture-of-experts di NVIDIA, sviluppato come unico profilo per attività con e senza ragionamento. Accetta testo e genera testo, sviluppando normalmente una traccia di ragionamento prima della risposta finale. Il template di chat del produttore può disattivare quella traccia per ottenere risposte dirette, con un possibile compromesso sui prompt più difficili che traggono beneficio dall’analisi.
L’architettura del produttore è un ibrido Mamba-2/transformer con circa trenta miliardi di parametri totali. Il suo progetto comprende cinquantadue strati: ventitré strati Mamba-2, ventitré strati di esperti e sei strati di attenzione. Ogni strato di esperti ha 128 esperti selezionati dall’instradamento e un esperto condiviso, attivando sei esperti selezionati per token.
NVIDIA descrive un addestramento su venticinquemila miliardi di token, seguito da fine-tuning supervisionato e apprendimento per rinforzo in più ambienti. Gli ambiti del post-addestramento comprendono codice, matematica, scienza, istruzioni, output strutturati, strumenti in più passaggi e conversazioni su più turni. Queste sono proprietà originali di Nano, separate dalla successiva versione 3.5 Lightning con predizione di più token.
Per la matematica, fornisci l’intero enunciato e il formato del risultato finale. Per il codice, fornisci la funzione pertinente, un input rappresentativo, l’errore osservato e il comportamento richiesto. Una consegna utile è: «Segui questo input attraverso l’implementazione, individua la prima condizione errata e restituisci una correzione mirata con la spiegazione che la sostiene». Un’estrazione ordinaria può invece richiedere soltanto i campi definiti.
Il produttore elenca inglese, spagnolo, francese, tedesco, giapponese e italiano. Specifica la lingua della risposta e mantieni intatta la terminologia richiesta. Richiedi l’artefatto finale separatamente dal ragionamento intermedio, così il risultato rimane utile come spiegazione, codice o record strutturato.
NVIDIA mostra un client di riferimento che prima ottiene il contenuto del ragionamento, chiude una traccia incompleta e poi usa il budget di generazione rimanente per la risposta finale. È una procedura del client del produttore, non una soglia nativa esatta implicita nel nome del modello. Scegli un budget di risposta che lasci spazio alla risposta finale anziché consumare tutto lo spazio disponibile con l’analisi.
Il profilo del produttore comprende addestramento all’uso degli strumenti e agli output strutturati. Un’applicazione fornisce le definizioni delle funzioni, esegue le operazioni selezionate e restituisce le relative osservazioni. Mantieni quei risultati associati alle rispettive chiamate. Una risposta basata sulle fonti può usare il materiale effettivamente recuperato o il calcolo reale, mentre una revisione del codice deve usare i riscontri di validazione osservati.
La scheda del modello indica un profilo massimo di input e output da un milione di token per la sua architettura a contesto lungo. Queste cifre devono essere usate con la configurazione di esecuzione selezionata e il budget di contesto condiviso; prompt, cronologia, ragionamento e risposta continuano a occupare spazio insieme. Una finestra lunga non rende una raccolta di fonti non strutturata un’attività chiara.
Organizza i documenti per fonte e il codice per confini pertinenti, e specifica che cosa completa l’incarico. Verifica i valori rispetto al materiale e il codice nella sua applicazione prevista. Il risultato utile è un output testuale con le evidenze e le informazioni irrisolte identificate, mantenendo l’esatta edizione Nano anziché attribuirle funzionalità o ipotesi sulla precisione di versioni Nemotron successive.
POST /v1/messagestextjson, sse| Campo | Tipo | Requisito | Valori e limiti | Predefinito |
|---|---|---|---|---|
Campomodel | Tipostring | RequisitoObbligatorio | Valori e limiti nvidia/nemotron-3-nano-30b-a3b | Predefinito— |
Campomessages | Tipomessage[] | RequisitoObbligatorio | Valori e limiti | Predefinito— |
Campomessages[].role | Tipostring | RequisitoObbligatorio | Valori e limiti user, assistant | Predefinito— |
Campomessages[].content | Tipostring | RequisitoObbligatorio | Valori e limiti | Predefinito— |
Campomax_tokens | Tipointeger | RequisitoObbligatorio | Valori e limiti | Predefinito— |
Campostream | Tipoboolean | RequisitoFacoltativo | Valori e limiti | Predefinitofalse |
Testo · Testo UTF-8
Stringa messages[].content
| Parametro | Contratto |
|---|---|
Parametrocontent_type | Contrattoapplication/json |
Parametrorequired | Contrattomodel, messages, max_tokens |
Parametrooptional_controls | Contrattostream |
Parametromaterial_types | Contrattotext |
Parametrotext_file_material | ContrattoLeggi il documento UTF-8 effettivo e inserisci il testo nell’ingresso indicato o nella stringa del contenuto del messaggio. |
Ciclo di vita: synchronous_or_streamed
Le tariffe non aggiungono opzioni alla richiesta. I parametri supportati sono elencati nel metodo selezionato.
Associa ogni costo alle condizioni indicate. Usa una sola tariffa per ogni insieme di configurazioni alternative.
| Configurazione | Listino delle tariffe | Token di contesto, più di | Token di contesto, fino al limite incluso | Costo |
|---|---|---|---|---|
| ConfigurazioneTariffe di base dei token | Listino delle tariffeTariffa base | Token di contesto, più di— | Token di contesto, fino al limite inclusoNessun limite superiore | Costo Input · Token in input $0.0001 / 1K token Output · Token in output $0.0004 / 1K token Input · Lettura dalla cache — / 1K token Input · Scrittura nella cache — / 1K token Input · Scrittura nella cache, 1 ora — / 1K token |
| ConfigurazioneFascia 1 di lunghezza della richiesta | Listino delle tariffe— | Token di contesto, più di0 | Token di contesto, fino al limite inclusoNessun limite superiore | Costo Input · Token in input $0.0001 / 1K token Output · Token in output $0.0004 / 1K token Input · Lettura dalla cache — / 1K token Input · Scrittura nella cache — / 1K token Input · Scrittura nella cache, 1 ora — / 1K token |
Ailoot prenota un importo stimato prima di una richiesta. Dopo il risultato, addebita il costo finale in base all’utilizzo misurato. Per lo streaming, l’addebito usa il record finale di utilizzo. Come funzionano la prenotazione e l’addebito finale →
{\n "model": "nvidia/nemotron-3-nano-30b-a3b",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\n: "${AILOOT_TEXT_FILE:?Set your actual UTF-8 document}"\nexport AILOOT_TEXT_FILE\npython3 - <<'PY_REQUEST'\nimport json, os\nfrom pathlib import Path\n\nsource_file = Path(os.environ['AILOOT_TEXT_FILE'])\nif not source_file.is_file():\n raise SystemExit('Set AILOOT_TEXT_FILE to your actual UTF-8 document')\ntext = source_file.read_text(encoding='utf-8')\nif not text.strip():\n raise SystemExit('Choose a document containing text')\npayload = {'model': 'nvidia/nemotron-3-nano-30b-a3b', 'max_tokens': 128, 'messages': [{'role': 'user', 'content': 'Summarize the incident report.'}]}\npayload['messages'][0]['content'] = 'Summarize this material and quote supporting source passages.\\n\\n' + text\nPath('request.json').write_text(json.dumps(payload, ensure_ascii=False), encoding='utf-8')\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/messages \\\n -H "x-api-key: $AILOOT_API_KEY" -H 'anthropic-version: 2023-06-01' -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\n\nresult = json.loads(Path('result.json').read_text(encoding='utf-8'))\nprint(json.dumps(result, ensure_ascii=False, indent=2))\nPY_RESULT\nimport json, os\nfrom pathlib import Path\n\nsource_file = Path(os.environ['AILOOT_TEXT_FILE'])\nif not source_file.is_file():\n raise SystemExit('Set AILOOT_TEXT_FILE to your actual UTF-8 document')\ntext = source_file.read_text(encoding='utf-8')\nif not text.strip():\n raise SystemExit('Choose a document containing text')\npayload = {'model': 'nvidia/nemotron-3-nano-30b-a3b', 'max_tokens': 128, 'messages': [{'role': 'user', 'content': 'Summarize the incident report.'}]}\npayload['messages'][0]['content'] = 'Summarize this material and quote supporting source passages.\\n\\n' + text\nfrom urllib.request import Request, urlopen\nfrom urllib.error import HTTPError\n\napi_key = os.environ['AILOOT_API_KEY']\nif not api_key.strip():\n raise SystemExit('Set AILOOT_API_KEY before making a request')\nheaders = {'x-api-key': 'PLACEHOLDER_KEY', 'anthropic-version': '2023-06-01', 'Content-Type': 'application/json'}\nheaders['x-api-key'] = api_key\nrequest = Request('https://api.ailoot.ai/v1/messages', data=json.dumps(payload, ensure_ascii=False).encode('utf-8'), headers=headers, method='POST')\ntry:\n with urlopen(request, timeout=120) as response:\n raw = response.read()\n Path('response-headers.txt').write_text(str(response.headers), encoding='utf-8')\nexcept HTTPError as error:\n Path('result.json').write_bytes(error.read())\n Path('response-headers.txt').write_text(str(error.headers), encoding='utf-8')\n raise\nPath('result.json').write_bytes(raw)\nimport json\nfrom pathlib import Path\n\nresult = json.loads(Path('result.json').read_text(encoding='utf-8'))\nprint(json.dumps(result, ensure_ascii=False, indent=2))\nJSON o SSE
Conserva ogni risposta, file e parte di contenuto restituiti per intero.
Conserva tutti i blocchi di contenuto, le firme di ragionamento e gli ID effettivi di utilizzo degli strumenti. Assembla tutti i delta dei blocchi SSE; il primo blocco di testo non è l’uscita completa.
Conserva gli ID e le intestazioni di richiesta/risposta. Non viene fornito alcun URL generico per recuperare un’attività testuale.
| Campo | Tipo |
|---|---|
Campoid | Tipostring |
Campomodel | Tipostring |
Campocontent[] | Tipotext|thinking|tool_use|other content block |
Campostop_reason | Tipostring|null |
Campousage | Tipoobject |
| Risposta | Condizione | Passaggio successivo |
|---|---|---|
Risposta400 · invalid_request_error | CondizioneCampi obbligatori, rappresentazione del materiale o valore del parametro non validi | Passaggio successivoCorreggi i campi indicati prima di una nuova richiesta di creazione. |
Ailoot Ultra nvidia/nemotron-3-nano-30b-a3b
Usa i percorsi dei metodi indicati sopra.
Esempio tecnico in inglese
Trace an inclusive-range defect\n\nTrace this Python code for start=2 and end=4: values = []\nfor n in range(start, end):\n values.append(n)\n The caller expects both endpoints included. Explain the first mismatch and propose a focused correction preserving ascending integer inputs. Include tests for 2 through 4 and equal endpoints, and state how descending inputs should be handled.A short trace, an inclusive-range correction, two tests and an explicit descending-input assumption.The equal-endpoint test yields one included value, and the changed bound does not omit end.