Nemotron 3 Super เป็นโมเดล AI แบบเปิดที่ออกแบบมาสำหรับงานแบบเอเจนต์ (agentic) หลายขั้นตอน โดยผสานนวัตกรรมด้านสถาปัตยกรรมหลายรูปแบบ เพื่อให้ได้ทั้งประสิทธิภาพและความแม่นยำที่เหนือกว่าโมเดลเปิดในระดับเดียวกัน นี่คือ 10 จุดแข็งสำคัญที่สรุปจากข้อมูลเชิงเทคนิคและผล benchmark ล่าสุด

1 Massive Scale, Sparse Activation การกระตุ้นแบบเบาบาง
โมเดลนี้มีพารามิเตอร์ทั้งหมด 120 พันล้านตัว แต่จะเปิดใช้งานจริงเพียงประมาณ 12 พันล้านตัวต่อโทเคน ผ่านสถาปัตยกรรม Latent Mixture-of-Experts (MoE) ช่วยลดภาระการคำนวณลงอย่างมาก ในขณะที่ยังคงความสามารถระดับโมเดลขนาดใหญ่เอาไว้ครบถ้วน

2 1M Native Context Window หน้าต่างบริบทยาว 1 ล้านโทเคน
Nemotron 3 Super รองรับบริบทยาวได้สูงสุดถึง 1 ล้านโทเคนแบบ native ทำให้เอเจนต์สามารถรักษาสถานะงานระยะยาวได้ต่อเนื่อง ลดโอกาสหลุดเป้าหมายหรือ “ลืมเรื่องเดิม” เมื่อทำงานหลายขั้นตอนหรือโปรเซสที่ยาวนาน

3 5x Throughput Boost เพิ่มปริมาณการประมวลผลได้ราว 5 เท่า
ประสิทธิภาพด้าน throughput ของ Nemotron 3 Super สูงกว่ารุ่น Nemotron Super เดิมราว 5 เท่า โดยเฉพาะเมื่อรันบน GPU ตระกูล Blackwell B200 ทำให้รองรับเอเจนต์จำนวนมาก หรือเวิร์กโฟลว์ที่ซับซ้อน ได้ในต้นทุนต่อคำตอบที่คุ้มค่ากว่า

4 Top Intelligence Index ค่าดัชนีสติปัญญาโดดเด่น
Nemotron 3 Super ทำคะแนนบนดัชนี Artificial Analysis Intelligence ได้ราว 36–37 คะแนน สูงกว่าโมเดลเปิดอย่าง GPT-OSS-120B ที่ราว 33 คะแนน และตามหลังเพียงโมเดลขนาดใหญ่กว่าอย่าง Qwen3.5 122B สะท้อนให้เห็นถึงความสามารถด้านเหตุผลและความเข้าใจเชิงลึกที่แข็งแกร่งมาก

5 Agentic Benchmark Excellence ผลทดสอบงานเอเจนต์ยอดเยี่ยม
ในชุดทดสอบที่ออกแบบมาสำหรับงานเอเจนต์โดยเฉพาะ Nemotron 3 Super ทำผลงานเด่น เช่น PinchBench ประมาณ 85.6% (อยู่แถวหน้าของโมเดลเปิด), SWE-Bench เมื่อใช้ร่วมกับ OpenHands ประมาณ 60.47%, MMLU-Pro ประมาณ 83.73% และ TauBench V2 ราว 61.15% แสดงให้เห็นถึงศักยภาพในการเป็นหัวใจของระบบเอเจนต์จริง

6 Multi-Token Prediction การคาดการณ์หลายโทเคนต่อครั้ง
ฟีเจอร์ Multi-Token Prediction (MTP) ช่วยให้โมเดลคาดการณ์ได้หลายโทเคนในแต่ละ pass และใช้ร่วมกับเทคนิค speculative decoding เพื่อเร่งการสร้างข้อความ โดยเฉพาะงานอย่างการสร้างโค้ดหรืองานเชิงโครงสร้าง ซึ่งสามารถเร็วขึ้นได้สูงสุดราว 3 เท่าเมื่อเทียบกับการสร้างทีละโทเคนแบบดั้งเดิม

7 Efficient Latent MoE ประสิทธิภาพของ Latent MoE
Latent MoE จะทำการย่อเวกเตอร์แทนโทเคนก่อนส่งเข้าเส้นทางผู้เชี่ยวชาญ (expert routing) ทำให้สามารถเรียกใช้ผู้เชี่ยวชาญได้มากขึ้นถึงราว 4 เท่าในงบคำนวณใกล้เคียงเดิม เหมาะสำหรับโดเมนเฉพาะทาง เช่น การมี expert แยกสำหรับ Python, SQL หรืองานสายอื่นอย่างชัดเจน

8 NVFP4 Pretraining Efficiency ประสิทธิภาพการพรีเทรนด้วย NVFP4
โมเดลถูกพรีเทรนจากศูนย์ด้วยรูปแบบตัวเลข NVFP4 (4-bit float) บนสถาปัตยกรรม Blackwell ช่วยลดการใช้หน่วยความจำและเพิ่มความเร็วการอนุมานได้ราว 4 เท่าเมื่อเทียบกับการใช้ FP8 บน H100 โดยยังคงความแม่นยำของโมเดลไว้ได้ใกล้เคียงเดิม

9 Robust Multi-Environment RL การฝึกแบบเสริมกำลังหลายสภาพแวดล้อม
Nemotron 3 Super ได้รับการฝึกด้วย Multi-environment Reinforcement Learning บน NeMo Gym ในสภาพแวดล้อมกว่า 21 แบบ รวมมากกว่า 1.2 ล้าน rollouts เพื่อให้โมเดลมีพฤติกรรมที่เสถียร น่าเชื่อถือ และทำงานได้ดีในเวิร์กโฟลว์เอเจนต์ที่ซับซ้อนและเปลี่ยนแปลงตลอดเวลา

10 Fully Open Source เปิดให้ใช้งานได้อย่างยืดหยุ่น
น้ำหนักโมเดล ชุดข้อมูล และสูตรการฝึก/ประเมินผลของ Nemotron 3 Super เปิดให้ใช้งานภายใต้ NVIDIA Nemotron Open Model License ผู้ใช้งานสามารถดาวน์โหลดได้จาก Hugging Face และนำไปรันผ่าน NIM, vLLM หรือ TensorRT-LLM ทำให้สามารถติดตั้งบนโครงสร้างพื้นฐานของตัวเองหรือผสานเข้ากับระบบที่มีอยู่ได้อย่างยืดหยุ่น