1. [主题](/topics/) [人工智能](/topics/ai/) NVIDIA Nemotron # NVIDIA Nemotron NVIDIA Nemotron™ 是一系列最开放的模型，配备开放的权重、训练数据和方案，提供业内领先的效率和准确性，用于构建专用的 AI 代理。 [探索模型](#section-nvidia-nemotron-models "Nemotron 模型")[论坛](https://forums.developer.nvidia.com/c/ai-data-science/nvidia-nemotron/669 "Nemotron 论坛")[教程](https://github.com/NVIDIA-NeMo/Nemotron "Nemotron 教程") * * * ## NVIDIA Nemotron 模型 [Nemotron 模型](https://developer.nvidia.cn/ai-models#:~:text=NVIDIA%20Nemotron,-The%20NVIDIA%20Nemotron)具有高度透明性——这些模型使用的训练数据以及模型权重都是开放的，并已在 [Hugging Face](https://huggingface.co/nvidia/collections?search=nemotron) 上提供，便于你在投入生产前进行评估。概述如何复现这些模型所需步骤的技术报告也同样免费开放。 全新的 Nemotron 3 系列提供高效的多模态模型，[基于混合 Mamba‑Transformer MoE 架构](https://developer.nvidia.cn/blog/inside-nvidia-nemotron-3-techniques-tools-and-data-that-make-it-efficient-and-accurate/)并支持 100 万 token 上下文，为复杂的、高吞吐量的 agentic AI 应用带来出色的准确率。 你可以使用 vLLM、SGLang、Ollama 和 llama.cpp 等开源框架，轻松在任意 NVIDIA GPU 上部署这些模型——从边缘设备、云环境到数据中心。还可以通过 [NVIDIA NIM 微服务](https://developer.nvidia.cn/nim)形式获取推理端点，从而在任何 GPU 加速系统上便捷完成部署。 Nemotron 推理模型针对各种平台进行了优化： - **Nano** 通过高精度的专用子智能体实现成本效率，如今借助 **Nano Omni** 获得多模态能力。 - **Super** 为多智能体应用中的推理与工具调用提供极高效率和领先精度。 - **Ultra** 面向对复杂智能体任务具有更高推理精度需求的应用场景而设计。 此外，这些模型可提供超高吞吐量，使智能体能够更快地思考并生成更准确的响应，同时降低推理成本。 Nemotron 模型还可用于视觉理解、信息检索、语音和安全。 ### Nemotron 3 Nano 30B A3B - 与 Nemotron 2 Nano 相比，Nemotron 3 Nano 的吞吐量提高了 4 倍 - 在编码、推理、数学和长上下文任务方面，准确性领先 - 非常适合需要为目标任务提供最高准确性和效率的智能体 [OpenRouter 上的演示模型](https://openrouter.ai/nvidia/nemotron-3-nano-30b-a3b:free "OpenRouter 上的演示模型") [在 Hugging Face 上下载模型](https://huggingface.co/nvidia/NVIDIA-Nemotron-3-Nano-30B-A3B-BF16 "在 Hugging Face 上使用模型") [通过 NVIDIA NIM API 体验模型 ](https://build.nvidia.com/nvidia/nemotron-3-nano-30b-a3b "Use the Model on Hugging Face") [阅读技术报告](https://research.nvidia.com/labs/nemotron/files/NVIDIA-Nemotron-3-Nano-Technical-Report.pdf "在 Hugging Face 上使用模型") ### Nemotron 3 Nano Omni 30B A3B - 单一模型即可理解视频、音频、图像和文本，为智能体工作流带来更简化的设计 - 在计算机使用智能体、文档智能处理、视频/音频理解等智能体场景中，为子智能体提供多模态推理能力 - 在同级模型中具备极高的效率表现，并有效控制使用成本 [在 Hugging Face 下载模型](https://huggingface.co/nvidia/Nemotron-3-Nano-Omni-30B-A3B-Reasoning-BF16 "Use the Model on Hugging Face") [通过 NVIDIA NIM API 体验模型 ](https://build.nvidia.com/nvidia/nemotron-3-nano-omni-30b-a3b-reasoning "Use the Model on Hugging Face") [阅读技术报告](https://research.nvidia.com/labs/nemotron/files/NVIDIA-Nemotron-3-Omni-report.pdf "Use the Model on Hugging Face") ### Nemotron 3 Super 120B A12B - 更高的效率和领先的准确性 - 非常适合在多智能体环境中处理复杂任务 - 适用于单数据中心 GPU 部署 [OpenRouter 上的演示模型](https://openrouter.ai/nvidia/nemotron-3-super-120b-a12b:free "演示模型") [使用 NVIDIA NIM API 体验模型](https://build.nvidia.com/nvidia/nemotron-3-super-120b-a12b "演示模型") [在 Hugging Face 上下载模型](https://huggingface.co/nvidia/NVIDIA-Nemotron-3-Super-120B-A12B-FP8 "在 Hugging Face 上使用模型") ### Llama Nemotron Ultra 253B - 非常适合需要最高准确性的多智能体企业工作流， 例如客户服务自动化、供应链管理和 IT 安全性 - 适用于数据中心规模的部署 [在 OpenRouter 上演示模型](https://openrouter.ai/nvidia/llama-3.1-nemotron-ultra-253b-v1:free "OpenRouter 上的演示模型") [在 Hugging Face 上下载模型](https://huggingface.co/nvidia/Llama-3_1-Nemotron-Ultra-253B-v1 "在 Hugging Face 上使用模型") ### Nemotron Parse - 理解文档语义，并在具备空间定位的前提下抽取文本和表格元素 - 克服传统 OCR 的限制，支持多栏版式、LaTeX 表格提取、markdown 格式化以及阅读顺序重建 - 专为加速用于 RAG、LLM 训练数据精选与智能体文档流程的文档智能管线而设计 [通过 NVIDIA NIM API 体验模型](https://build.nvidia.com/nvidia/nemotron-parse "Demo Model") [在 Hugging Face 下载模型](https://huggingface.co/nvidia/NVIDIA-Nemotron-Parse-v1.2 "Use the Model on Hugging Face") ### Nemotron RAG - 行业领先的提取、嵌入和重新排序模型 - 为多模态文档智能、问答和通道检索提供出色的准确性 - 在 [ViDoRe V1](https://huggingface.co/spaces/vidore/vidore-leaderboard)、[ViDoRe V2](https://huggingface.co/spaces/vidore/vidore-leaderboard)，以及[MTEB](https://mteb-leaderboard.hf.space/?benchmark_name=VisualDocumentRetrieval)以及[MMTEB](https://huggingface.co/spaces/mteb/leaderboard) 榜单上处于领先位置 [使用 NVIDIA NIM API 体验模型](https://build.nvidia.com/explore/retrieval "演示模型") [在 Hugging Face 上下载模型](https://huggingface.co/collections/nvidia/nemotron-rag-68f01e412f2dc5a5db5f30ed "使用 Hugging Face 模型") ### Nemotron 语音 - 开放模型系列，专为代理式 AI 应用的高吞吐量、超低延迟自动语音识别 (ASR) 、文本转语音 (TTS) 、语音转语音 (S2S) 、全双工和神经网络机器翻译 (NMT) 而优化 - Nemotron 语音模型[NVIDIA Riva](/riva)GPU 加速的语音 AI 库提供先进的 ASR 和 TTS 功能，可实现无缝生产部署 [以 NVIDIA NIM API 的形式体验模型](https://build.nvidia.com/explore/speech "演示模型") [在 Hugging Face 上下载模型](https://huggingface.co/collections/nvidia/nemotron-speech "使用 Hugging Face 模型") ### Nemotron Safety - 先进的多语种、多模态安全模型，可提供高精度的越狱检测、带有文化细微差别的内容审核、细粒度 PII 检测、基于推理的自定义策略执行和主题控制，从而在全球范围内的领域和用例中实现更安全、更合规的 LLM。 - [NeMo Guardrails](/nemo-guardrails) 是一个灵活、开放的库，用于实时定义和实施企业 AI 策略，涵盖对话控制、主题指导、RAG Grounding、工具调用治理、安全过滤等，可跨自定义、社区和 NVIDIA 安全轨并行执行低延迟策略。 [以 NVIDIA NIM API 的形式体验该模型](https://build.nvidia.com/search?q=nemoguard "演示模型") [在 Hugging Face 上下载模型](https://huggingface.co/collections/nvidia/nemoguard "使用 Hugging Face 模型") * * * ## NVIDIA Nemotron 数据集 通过面向智能体 AI 的大规模开源商业可用数据集（涵盖预训练、后训练、人物设定、安全、强化学习 RL 和 RAG），提升大型语言模型（LLM）的推理能力。该数据集包含超过 10T 标记和 40M 条后训练样本，覆盖从基础模型到智能体工作流的完整训练生命周期。 数据集依托大规模合成数据生成、过滤与精选构建，并以宽松许可方式发布。开发者可以在对数据完全可见的前提下进行模型训练、微调与评估，从而加快开发进程，并降低对不透明数据集的依赖。 ### Nemotron 训练前和训练后数据集 NVIDIA 提供超过 10T 的多语言推理、编码和安全数据 token，帮助社区构建自定义模型。 [在 Hugging Face 上探索](https://huggingface.co/collections/nvidia/nemotron-pre-training-datasets "在 Hugging Face 上探索") ### Nemotron Personas 数据集 完全合成、隐私安全的用户角色基于现实世界的人口、地理和文化分布。作为 NVIDIA 日益扩展的全球 Sovereign AI 开发生态的一部分，该系列提供面向不同地区的专用数据集，目前已包含面向美国、日本和印度数据集。 [在 Hugging Face 上探索](https://huggingface.co/collections/nvidia/nemotron-personas "在 Hugging Face 上探索") ### Nemotron Omni Datasets 多模态数据将 Nemotron 训练流程从纯文本扩展到图像、视频和语音。包含约 127B 标记的跨模态预训练数据，以及约 124M 条精选后训练样本，用于文档推理、计算机操作与长周期工作流。 [在 Hugging Face 上探索](https://huggingface.co/datasets/nvidia/Nemotron-Image-Training-v3 "Explore on Hugging Face") ### Nemotron 安全数据集 精心策划的高质量数据集，旨在为多语言内容安全、高级策略推理和威胁感知 AI 提供支持，涵盖现代 AI 助手的审核数据和基于音频的安全信号。 [在 Hugging Face 上探索](https://huggingface.co/nvidia/datasets?search=safety "在 Hugging Face 上探索") ### Nemotron RL 数据集 使用为 Nemotron 提供支持的相同强化学习 (RL) 数据训练模型，包括跨编码、数学、推理和代理式任务的多回合轨迹、工具调用和偏好信号，以构建自适应、可靠的现实世界 AI。 [在 Hugging Face 上探索](https://huggingface.co/collections/nvidia/nemo-gym "在 Hugging Face 上探索") ### Nemotron RAG 数据集 我们发布了 15 个精心策划的数据集 (涵盖指令遵循、推理、编码和评估数据) ，旨在加速开放研究和透明模型开发，从而为我们在排行榜上名列前茅的模型奠定基础。 [在 Hugging Face 上探索](https://huggingface.co/datasets/nvidia/embed-nemotron-dataset-v1 "在 Hugging Face 上探索") * * * ## 开发者工具 ### NVIDIA NeMo 借助 NVIDIA NeMo™ 微调、部署和持续优化 Nemotron 模型，简化 AI 智能体生命周期管理。 [开始使用](https://docs.nvidia.com/nemo-framework/user-guide/latest/llms/llama_nemotron.html "开始使用") ### NVIDIA TensorRT-LLM TensorRT™ -LLM 是一个开源库，旨在为 NVIDIA GPU 上的 Nemotron 等大语言模型提供高性能的实时推理优化。此开源库位于 [TensorRT-LLM GitHub 资源库](https://github.com/NVIDIA/TensorRT-LLM)包括模块化 Python 运行时、PyTorch 原生模型创作和稳定的生产 API。 [利用 TensorRT-LLM 进行 NVIDIA Nemotron 模型推理](https://nvidia.github.io/TensorRT-LLM/overview.html "利用 TensorRT-LLM 进行 NVIDIA Nemotron 模型推理") ### 开源框架 可以使用 Hugging Face [transformers](https://huggingface.co/docs/transformers/en/index) 等开源框架在各类平台上进行 Nemotron 模型的开发，也可以使用 [vLLM](https://docs.vllm.ai/en/latest/models/supported_models.html?h=supported+models#text-generation) 在所有受支持的平台上完成部署和生产级推理场景。 [探索推理后端](https://docs.nvidia.com/dynamo/latest/_sections/backends.html "探索推理后端") * * * ## 入门资源 ### 借助高效的 NVIDIA Nemotron 3 Nano 准确性，为专用 AI 智能体提供支持，助力其完成目标任务 NVIDIA Nemotron 3 Nano 使用混合 Transformer-Mamba MoE 架构和可配置的思考预算，高效地提供先进的推理和代理功能，因此您可以调整准确性、吞吐量和成本，以满足您的实际需求。 [阅读技术博客](https://huggingface.co/blog/nvidia/nemotron-3-nano-efficient-open-intelligent-models "阅读技术博客") ### 如何使用新的 Nemotron 模型构建语音驱动的 RAG 智能体 获取分步指南，了解如何通过集成用于语音、RAG、安全和长上下文推理的 Nemotron 模型来构建语音驱动的 RAG 智能体。 [阅读技术博客](https://developer.nvidia.com/blog/how-to-build-a-real-time-voice-agent-with-rag-and-safety-guardrails/ "阅读技术博客") ### Nemotron 3 Super：用于代理式推理的开放式混合式 Mamba-Transformer MoE Nemotron 3 Super 是适用于大规模代理式 AI 的 Mamba+ Transformer MoE 混合模型，结合了潜在 MoE、多标记预测和 100 多万个标记上下文窗口，可实现更快、更可靠的长视界推理。原生 NVFP4 训练、多环境 RL 对齐以及完全开放的权重、数据集、方法和部署指南可帮助开发者快速构建和部署定制的智能体工作流。 [阅读技术博客](https://developer.nvidia.com/blog/introducing-nemotron-3-super-an-open-hybrid-mamba-transformer-moe-for-agentic-reasoning/ "阅读技术博客") * * * ## 入门套件 通过使用 NVIDIA Nemotron 模型为各种用例开发自定义智能体，开始解决 AI 挑战。探索实施脚本、解说员博客以及 AI 开发各个阶段的更多操作方法文档。 ### 使用 Nemotron 构建报告生成智能体 该研讨会将指导开发者使用 NVIDIA Nemotron 和 LangGraph 构建报告生成智能体，重点关注 AI 智能体的四个核心注意事项：模型、工具、内存和状态以及路由。 - 博客：[在 OpenRouter 上使用 NVIDIA Nemotron 构建报告生成器 AI 智能体](https://developer.nvidia.cn/blog/build-a-report-generator-ai-agent-with-nvidia-nemotron-on-openrouter/) - 教程视频：[使用 NVIDIA Nemotron Nano v2 构建报告生成智能体](https://www.youtube.com/watch?v=kGzEUjmcwLY) - 点播直播：[在 OpenRouter 上使用 NVIDIA Nemotron 构建用于生成报告的 AI 智能体 | Nemotron 实验室](https://www.youtube.com/watch?v=jb81ugc_o6I) - 可启动的 NVIDIA：[构建智能体研讨会](https://brev.nvidia.com/launchable/deploy?launchableID=env-32kC34ErT9wsqTcJyaKMxBEuhr2) - 学习路径：[如何构建 AI 智能体](https://developer.nvidia.com/topics/ai/how-to-build-an-ai-agent) ### 使用 Nemotron 构建 RAG 智能体 在此自主培训中，您将深入了解代理检索增强生成 (RAG) 的核心原则，包括 NVIDIA Nemotron 模型系列，并学习如何在可移植的一站式开发环境中使用 LangGraph 构建自己的定制、可共享的代理式 RAG 系统。 - 博客：[使用 NVIDIA Nemotron 构建检索增强生成 (RAG) 智能体](https://developer.nvidia.cn/blog/build-a-rag-agent-with-nvidia-nemotron/) - 教程视频：[使用 NVIDIA Nemotron 构建 RAG 智能体](https://youtu.be/Mw9_ZK3tnrQ) - 点播直播：[使用 NVIDIA Nemotron 构建 RAG 智能体 | Nemotron 实验室](https://www.youtube.com/watch?v=f0utW0eLueY) - 可启动的 NVIDIA：[构建智能体研讨会](https://brev.nvidia.com/launchable/deploy?launchableID=env-32kC34ErT9wsqTcJyaKMxBEuhr2) - 学习路径：[如何构建智能体 RAG 应用](https://developer.nvidia.com/topics/ai/how-to-build-agentic-ai-rag) ### 使用 Nemotron 构建 Bash 计算机使用智能体 在此自主培训中，深入了解代理式检索增强生成 (RAG) 的核心原则，包括 NVIDIA Nemotron 模型系列，并学习如何在可移植的一站式开发环境中使用 LangGraph 构建自己的定制、可共享的代理式 RAG 系统。 - 博客：[使用 NVIDIA Nemotron 在一小时内创建自己的 Bash Computer Use Agent](https://developer.nvidia.cn/blog/create-your-own-bash-computer-use-agent-with-nvidia-nemotron-in-one-hour/) - 教程视频：[在一小时内创建 Bash 智能体](https://youtu.be/F7f-eFou2-o) - 点播直播：[构建 Bash Computer Operator 智能体 | Nemotron Labs](https://www.youtube.com/watch?v=pfDMyX8utsY&t=4s) ### Nemotron 3 Nano 30B A3B 以下资源准确概述了 NVIDIA 研究团队如何训练 NVIDIA Nemotron 3 Nano 模型。从预训练到最终模型检查点，所有内容都是开放的，供您使用和学习。 - 论文：[NVIDIA Nemotron Nano 3：准确高效的混合式 Mamba-Transformer 推理模式](https://research.nvidia.com/labs/nemotron/files/NVIDIA-Nemotron-3-Nano-Technical-Report.pdf "NVIDIA Nemotron Nano 2：准确高效的混合式 Mamba-Transformer 推理模式")l - 模型：[Nemotron 3 模型集合](https://huggingface.co/collections/nvidia/nvidia-nemotron-v3) - 数据集：[预训练](https://huggingface.co/collections/nvidia/nemotron-pre-training-datasets)、[后期训练](https://huggingface.co/collections/nvidia/nemotron-post-training-v3)，以及[RL 数据集](https://huggingface.co/collections/nvidia/nemo-gym) - 白皮书：[Nemotron 3 白皮书](https://research.nvidia.com/labs/nemotron/files/NVIDIA-Nemotron-3-White-Paper.pdf) - Cookbook：使用 NVIDIA GPU 部署 Nemotron 3 Nano[vLLM](https://github.com/NVIDIA-NeMo/Nemotron/blob/main/usage-cookbook/Nemotron-3-Nano/vllm_cookbook.ipynb)、[SGLang](https://github.com/NVIDIA-NeMo/Nemotron/blob/main/usage-cookbook/Nemotron-3-Nano/sglang_cookbook.ipynb)、[TRT-LLM](https://github.com/NVIDIA-NeMo/Nemotron/blob/main/usage-cookbook/Nemotron-3-Nano/trtllm_cookbook.ipynb) - Notebook/ Docs：使用 Unsloth 针对您的用例进行微调[笔记本电脑](https://colab.research.google.com/github/unslothai/notebooks/blob/main/nb/Nemotron-Nano-3-30B-A3B_A100.ipynb)以及[文档](https://docs.unsloth.ai/models/nemotron-3) ### Nemotron 3 Super 120B A3B 以下资源概述了 NVIDIA 用于生成 Nemotron 3 Super 模型的过程。 - 论文：[高效、准确的 MoE 混合推理模型](https://research.nvidia.com/labs/nemotron/files/NVIDIA-Nemotron-3-Super-Technical-Report.pdf) - 数据集：[预训练](https://huggingface.co/collections/nvidia/nemotron-pre-training-datasets)、[后期训练](https://huggingface.co/collections/nvidia/nemotron-post-training-v3)，以及[RL 数据集](https://huggingface.co/collections/nvidia/nemo-gym) - 模型：[Nemotron 3 模型集合](https://huggingface.co/collections/nvidia/nvidia-nemotron-v3) - Cookbook：使用 NVIDIA GPU 部署 Nemotron 3 Super[vLLM](https://github.com/NVIDIA-NeMo/Nemotron/blob/main/usage-cookbook/Nemotron-3-Nano/vllm_cookbook.ipynb)、[SGLang](https://github.com/NVIDIA-NeMo/Nemotron/blob/main/usage-cookbook/Nemotron-3-Nano/sglang_cookbook.ipynb)、[TRT-LLM](https://github.com/NVIDIA-NeMo/Nemotron/blob/main/usage-cookbook/Nemotron-3-Nano/trtllm_cookbook.ipynb) ### 使用 RAG 和 Nemotron 的安全护栏构建语音智能体 在本教程中，您将学习如何使用 Nemotron 模型构建具有安全护栏的语音驱动 RAG 智能体。最后，您的智能体将聆听语音输入，在您的数据中找到自己，在长上下文中进行推理，应用护栏，并将安全答案作为音频返回。 - 博客：[如何使用 RAG 和安全护栏构建语音智能体](https://developer.nvidia.cn/blog/how-to-build-a-voice-agent-with-rag-and-safety-guardrails/) - 教程视频：[如何使用 RAG 和安全护栏构建语音智能体](https://www.youtube.com/watch?v=bCDcziL9OCo) - 模型：[语音](https://huggingface.co/collections/nvidia/nemotron-speech) - 模型：[RAG](https://huggingface.co/collections/nvidia/nemotron-rag) - 模型：[安全](https://huggingface.co/collections/nvidia/nemoguard) - 模型：[推理](https://huggingface.co/collections/nvidia/nvidia-nemotron-v3) * * * ## 在托管与自管理基础设施上运行 Nemotron 模型 运行、扩展和评估 Nemotron 模型，无需使用领先推理服务提供商的托管端点来管理基础设施。借助优化的性能和成本效益，跨云和数据中心环境快速试验、基准测试和部署模型。 专注于构建代理式 AI 应用，同时提供商处理优化的运行时、弹性扩展和生产就绪型部署路径，以便您可以更快地从原型设计过渡到生产。 可用提供商： - [Baseten](https://www.baseten.co/library/nvidia-nemotron-3-nano/) - [Bitdeer AI](https://www.bitdeer.ai/en/model/explore/mo-d6psr309pjks73dh7hcg) - [Clarifai](https://www.clarifai.com/nemotron-3-nano-omni) - [Crusoe](https://docs.crusoecloud.com/managed-inference/overview) - [DeepInfra](https://deepinfra.com/nemotron) - [DigitalOcean](https://docs.digitalocean.com/products/ai-platform/details/models/) - [Eigen AI](https://app.eigenai.com/model-library/nemotron-3-nano-omni) - [fal.ai](http://fal.ai/nemotron) - [Fireworks AI](https://fireworks.ai/partners/nvidia) - [FriendliAI](http://friendli.ai/models/nemotron) - [GMI Cloud](https://www.gmicloud.ai/en/models) - [Inference.net](https://inference.net/models/nemotron-super) - [Lightning AI](https://lightning.ai/nvidia-nemotron-3) - [Modal](https://modal.com/docs/examples/nemotron_inference) - [Nebius](https://tokenfactory.nebius.com/models?search=Nemotron) - [Together AI](http://www.together.ai/models/nvidia-nemotron-3-nano-omni) - [Vultr](https://docs.vultr.com/models/nvidia-nemotron-v3) 您还可以通过以下发现和访问渠道探索 Nemotron 模型的详细信息、文档和访问路径： - [LM Studio](https://lmstudio.ai/models/nemotron-3) —内置界面与兼容 OpenAI 的 API - [Ollama](https://ollama.com/library/nemotron3)—提供 CLI 与对开发者友好的本地 API - llama.cpp—轻量高性能的推理引擎（可在 Hugging Face 获取 GGUF 模型） - [Unsloth](https://unsloth.ai/docs/models/nemotron-3)—在本地高效进行微调与推理，兼顾内存占用与性能 如果你希望针对自身用例优化推理栈，可以从这些使用指南入手：[vLLM](https://github.com/NVIDIA-NeMo/Nemotron/tree/main/usage-cookbook) 使用 Cookbook、[SGLang](https://github.com/NVIDIA-NeMo/Nemotron/tree/main/usage-cookbook) 使用 Cookbook 或 [TensorRT-LLM](https://github.com/NVIDIA-NeMo/Nemotron/tree/main/usage-cookbook) 使用 Cookbook。 你也可以通过以下探索与访问渠道，了解 Nemotron 模型的详细信息、文档以及访问路径： - [Hugging Face](https://huggingface.co/collections/nvidia/nvidia-nemotron-v3) - [OpenRouter](https://openrouter.ai/nvidia/nemotron-3-nano-30b-a3b:free) - [build.nvidia.com](http://build.nvidia.com) * * * ## 更多资源 ![代表社区的装饰性图像](https://developer.download.nvidia.com/icons/m48-communication-chat.svg) ### NVIDIA 开发者论坛 ![试用 NVIDIA Nemotron 教程](https://developer.download.nvidia.com/icons/m48-developer.svg) ### 试用 NVIDIA Nemotron 教程 * * * ## 伦理道德注意事项 NVIDIA 认为值得信赖的 AI 是一项共同的责任，我们制定了相关政策和实践，以支持各种 AI 应用的开发。根据我们的服务条款下载或使用此模型时，开发者应与其内部模型团队合作，确保此模型满足相关行业和用例的要求，并解决不可预见的产品滥用问题。 NVIDIA 与 Google DeepMind 合作，对 NVIDIA API Catalog 生成的视频进行了水印。 有关此模型道德因素的更多详细信息，请参阅[系统卡、](https://nvdam.widen.net/s/knnqs6ghqn/nvidia-cosmos-system-card "系统卡")模型卡 可解释性、偏差、安全性和隐私子卡。请[单击此处](https://www.nvidia.cn/support/submit-security-vulnerability/)报告安全漏洞或 NVIDIA AI 问题。 ## 立即开始使用 NVIDIA Nemotron [立即试用](https://build.nvidia.com/nvidia/nvidia-nemotron-nano-9b-v2 "立即试用 Nemotron")