NVIDIA Nemotron 3 Ultra
关于 NVIDIA Nemotron 3 Ultra 的完整介绍（点开看；上面就是结论表）
NVIDIA 2026-06-04 发布的 Nemotron 3 家族旗舰（arXiv 2606.15007；HF: nvidia/NVIDIA-Nemotron-3-Ultra-550B-A55B-BF16；许可 OpenMDW-1.1；家族 2025-12 至 2026-06 分批发布，Nano 4B 为 2025-12 出窗不收）。550B/55B 激活的 LatentMoE · Mamba-2 + Attention 混合（108 层 / 2 KV 头 / head_dim 128 / 512 专家每层激活 22，config 一手核到）。**原生上下文训练到 1M**（官方技术报告 LC-Phase 在 1,048,576 token 上做 CPT，RULER 1M 实测 95%）——与 DeepSeek-V4.1-Flash 的「64K YaRN 外推」不同，这是真训练出来的 1M；注意 NIM/vLLM 默认服务上限 256K，开 1M 要显式设 `VLLM_ALLOW_LONG_MAX_MODEL_LEN=1 --max-model-len 1048576`（默认与上限是两回事，如实标注）。Mamba 层不存 KV，混合架构让 KV 近似压到 0.08G/4K（保守近似，未逐层核）。NVIDIA 这次连训练数据和配方一起开放（GitHub NVIDIA-NeMo/Nemotron），是「开放度最高的一线大厂模型」。550B 权重 Q4 约 275G，单卡装不下，门槛集群（最低 8×B200）。收录理由：国外线窗口内唯一的一线大厂开放权重大模型（Mistral Large 4 未核实许可与日期，本轮未收）。
实测速度：什么卡、什么量化、多少 token
上传实测数据
每行是一次真实测量的完整口径：哪张卡、几张卡、什么量化、多大上下文、哪个框架哪个版本、单流还是并发、开没开投机—— 缺一项就会标出来，缺项的行不参与对比与偏差计算。本站实测行没有外链，但日志路径就是原始数据所在。 想看同一张卡跑别的模型，从这个表的显卡名点进那张卡的页面。
速查：什么卡、跑多少 token
推算值按 Q4_K_M、8K 上下文、单流；真实测量看下面的实测速度表。没有实测的模型这里只有推算，本站不把推算写成实测。
架构常数（已核实）
来源：nvidia/NVIDIA-Nemotron-3-Ultra-550B-A55B-BF16 / config.json（抓取于 2026-11-12）。KV 公式：2 × 层数 × KV头数 × 头维 × 精度字节 × token（滑窗层按 — 封顶）。
上下文档位（按 Q4_K_M）
| 上下文 | KV | 总需显存 | 16G 水位内 |
|---|---|---|---|
| 4K | 0.05 G | 331 G | 超 |
| 8K | 0.09 G | 331.1 G | 超 |
| 32K | 0.38 G | 331.4 G | 超 |
| 128K | 1.5 G | 332.5 G | 超 |
* 含 1G 框架开销；可用水位按 Windows 口径 88% = 14.1G。
各显存档位能开多大
| 显存 | 推荐量化 | 8K 总需 | 最多可开 |
|---|---|---|---|
| 4G | 装不下 | — | — |
| 6G | 装不下 | — | — |
| 8G | 装不下 | — | — |
| 10G | 装不下 | — | — |
| 11G | 装不下 | — | — |
| 12G | 装不下 | — | — |
| 16G | 装不下 | — | — |
| 20G | 装不下 | — | — |
| 22G | 装不下 | — | — |
| 24G | 装不下 | — | — |
| 32G | 装不下 | — | — |
| 48G | 装不下 | — | — |
| 64G | 装不下 | — | — |
| 96G | 装不下 | — | — |
| 128G | 装不下 | — | — |
| 256G | 装不下 | — | — |
| 512G | Q5_K_M（估算） | 386.1G | 1048576（约 1024K） |
「最多可开」已扣掉权重与 1G 开销；标注为「模型原生上限」时表示显存还有余但模型只支持这么长。净可用还要再减聊天模板与系统提示词的 250 token（估算值，未逐项核实）。量化档后带「（估算）」= 官方仓库没核到这档、按公式算的权重体积（方向保守偏高）；不带 = 核过官方仓库真实文件体积。
估算速度（Q4_K_M · 8K）
推算 本站暂无这一模型的实测记录。
| 显卡 | 状态 | 估算 tok/s |
|---|---|---|
| NVIDIA RTX 5090 32G | 装不下 | 需 offload ≈1 |
| NVIDIA RTX 5090 D 32G | 装不下 | 需 offload ≈1 |
| NVIDIA CMP 170HX 64G（矿卡魔改） | 装不下 | 需 offload ≈1 |
| NVIDIA RTX PRO 5000 Blackwell 48G（工作站） | 装不下 | 需 offload ≈1 |
| AMD Instinct MI100 32G（老数据中心卡） | 装不下 | 需 offload ≈1 |
| AMD Instinct MI50 32G（数据卡） | 装不下 | 需 offload ≈1 |
| AMD Radeon VII 16G | 装不下 | 需 offload ≈1 |
| NVIDIA RTX 4090 24G | 装不下 | 需 offload ≈1 |
| NVIDIA RTX 3090 Ti 24G | 装不下 | 需 offload ≈1 |
同一套公式也用于显卡页，两页数字必然一致。带宽按 60–85% 效率折算（offload 场景更低），并对单流解码设经验上限，因此这里的数字比纯带宽公式保守。 总需显存 = 331.1G，对比各卡可用水位。
实测数据区
上传实测数据
推理框架命令
llama.cpp
# 1) 取 GGUF 权重（本站核实过的仓库名）
huggingface-cli download nvidia/NVIDIA-Nemotron-3-Ultra-550B-A55B-BF16 config.json
# GGUF 量化版通常在第三方转换仓库，搜「nvidia/NVIDIA-Nemotron-3-Ultra-550B-A55B-BF16 GGUF」
# 2) 起服务（Linux/macOS 用 ./llama-server，Windows 用 llama-server.exe）
llama-server -m NVIDIA-NEMOTRON-3-ULTRA-Q4_K_M.gguf -ngl 99 -c 8192 --port 8080
# MoE：想让专家留在内存以塞更大模型，加 --n-cpu-moe（参数名随版本变，用 --help 确认）Ollama
# 本站没核实到 Ollama 仓库里有 NVIDIA Nemotron 3 Ultra 的可用标签，所以不给命令
# 自己去查一眼：https://ollama.com/search?q=NVIDIA%20Nemotron%203%20Ultra宁可不给命令，也不给一条跑不通的命令——照抄未核实的标签是新手最常见的卡死原因。
vLLM
vLLM 直接吃 Hugging Face 仓库名，这条最可靠：
vllm serve nvidia/NVIDIA-Nemotron-3-Ultra-550B-A55B-BF16 --max-model-len 8192 --gpu-memory-utilization 0.90LM Studio
模型页搜「nvidia/NVIDIA-Nemotron-3-Ultra-550B-A55B-BF16」→ 选 Q4_K_M 或 Q4_K_M → Load →
Chat Context Length 设 8192 → GPU Offload 拉到最大仓库名 nvidia/NVIDIA-Nemotron-3-Ultra-550B-A55B-BF16 是本站核实过的（架构常数就取自它）。Ollama 标签与 GGUF 文件名会随发布方变动，本站不保证一定存在，拉取失败请搜同名前缀。
优化要点
- Q4_K_M 权重 330G（估算）、Q6_K 451G（估算）、Q8_0 584.4G（估算）：带「估算」的是公式值（官方仓库没核到这档），不带的核过真实文件；先在容量表里确认 8K 上下文还剩多少，再决定档位
- 上下文从 8K 提到 32K，KV 增加约 0.3G（本模型 108 层 / 2 KV头 / 头维 128）
- 模型原生上下文上限是 1024K，把 -c 设得更高属于超纲使用，质量不保证
- 想要更长上下文：-ctk q8_0 -ctv q8_0 让 KV 减半，几乎不掉质量
- MoE 速度按激活参数（本站用 55B）算，显存却必须装下全部 550B 专家；两者混用会得出完全错误的结论
- 本站对单流解码设了经验上限 200–200 tok/s（依带宽分档），超出上限的数字是公式失真而不是你的卡快