
NVIDIA Nemotron 3.5 Lightning 30B A3B: ทำความเข้าใจม้าศึก Open Agent ของ Nvidia
- Googleใหม่Google: Gemini 4 Carbon2026-11-10$2.00 / $10.00 ต่อ 1 ล้านโทเค็น · 89 tok/s
- Anthropicใหม่Anthropic: Claude Fable 5.22026-11-09$8.00 / $40.00 ต่อ 1 ล้านโทเค็น · 97 tok/s
- orcaใหม่Orca: OrcaC2 1.02026-11-079 tok/s
- Orcaใหม่OrcaCyber: GLM 5.3 Abliterated / Uncensored2026-11-04$3.00 / $5.00 ต่อ 1 ล้านโทเค็น · 88 tok/s
- Orcaใหม่OrcaCyber: Hy4 Abliterated / Uncensored2026-11-04$0.80 / $1.60 ต่อ 1 ล้านโทเค็น · 133 tok/s
- Orcaใหม่OrcaCyber: Kimi K3.1 Pro Abliterated / Uncensored2026-11-04$4.00 / $20.00 ต่อ 1 ล้านโทเค็น · 88 tok/s
- OrcaOrcaCyber: MiniMax M3.1 Flash Abliterated / Uncensored2026-10-29$0.80 / $1.60 ต่อ 1 ล้านโทเค็น · 123 tok/s
- OrcaOrcaCyber: GLM 5.3 Flash Abliterated / Uncensored2026-10-27$0.80 / $1.60 ต่อ 1 ล้านโทเค็น · 69 tok/s
- OrcaOrcaCyber: Qwen3.8 Flash Next Abliterated / Uncensored2026-10-26$0.80 / $1.60 ต่อ 1 ล้านโทเค็น · 91 tok/s
- OrcaOrcaCyber: MiMo V2.6 Flash Abliterated / Uncensored2026-10-26$0.80 / $1.60 ต่อ 1 ล้านโทเค็น · 44 tok/s
- MoonshotMoonshotAI: Kimi K3.1 Pro2026-10-2447ความฉลาด
- OrcaOrcaCyber: DeepSeek V4.1 Flash Abliterated / Uncensored2026-10-23$0.80 / $1.60 ต่อ 1 ล้านโทเค็น · 194 tok/s
- minimaxMiniMax: M3.1 Flash2026-10-1929ความฉลาด
- OrcaOrca: OrcaCyber Ultra 1.02026-10-17$5.00 / $10.00 ต่อ 1 ล้านโทเค็น · 123 tok/s
- deepseekDeepSeek: DeepSeek V4.1 Flash 10172026-10-1733ความฉลาด
- DeepSeekDeepSeek: DeepSeek V4.1 Flash2026-10-1740ความฉลาด
- OrcaOrca: OrcaCyber Zero 1.52026-10-10$3.00 / $7.50 ต่อ 1 ล้านโทเค็น · 138 tok/s
- openaiOpenAI: GPT-6.1 Sol2026-09-2955ความฉลาด
- anthropicAnthropic: Claude Sonnet 5.52026-09-2855ความฉลาด
- typesafeTypeSafe: Jev 1.132026-09-24$0.04 / $0.00 ต่อ 1 ล้านโทเค็น · 189 tok/s
Nvidia ประกาศ Nemotron 3.5 Lightning เมื่อวันที่ 11 สิงหาคม 2026 และเปิดตัวพร้อมกับสิ่งที่การเปิดตัวโมเดลส่วนใหญ่มักจะไม่รวม นั่นคือ เราเตอร์ NeMo Switchyard ซึ่งเป็นไลบรารีโอเพนซอร์สที่ทำหน้าที่ตัดสินใจว่าโมเดลใดควรจัดการกับการเรียกครั้งถัดไปภายในลูปของเอเจนต์ ปล่อยออกมาในวันเดียวกันกับโมเดลแบบ mixture-of-experts ที่มีพารามิเตอร์ 30 พันล้านตัว แต่มีพารามิเตอร์ที่ทำงานจริงเพียง 3 พันล้านตัว ซึ่งนั่นคือประเด็น บทความอธิบายนี้เกี่ยวกับเช็คพอยต์ที่ Nvidia ปล่อยออกมาก่อนNVIDIA-Nemotron-3.5-Lightning-30B-A3B-Base-BF16 ซึ่งเป็นโมเดลฐานดิบที่ผ่านการฝึกไว้ล่วงหน้า (raw pre-trained base) มากกว่าจะเป็นรุ่นอ้างอิงที่ปรับแต่งสำหรับการแชท และเกี่ยวกับสิ่งที่ตระกูลโมเดลโดยรวมบอกคุณเกี่ยวกับทิศทางที่การให้บริการโมเดลโอเพนซอร์สกำลังมุ่งหน้าไป
หมายเหตุหนึ่งเกี่ยวกับแหล่งข้อมูลก่อนพูดถึงตัวเลข: benchmark ทุกรายการ คำกล่าวอ้างเรื่องความเร็ว และตัวเลขจากพันธมิตรทั้งหมดในบทความนี้ล้วนเป็นข้อมูลของ Nvidia เอง และยังไม่มีข้อมูลใดได้รับการทดสอบซ้ำจากหน่วยงานอิสระ — โมเดลเพิ่งเปิดตัวมาได้เพียงไม่กี่ชั่วโมง ควรถือว่าตัวเลขประสิทธิภาพเหล่านี้เป็นเพียงข้อมูลที่ผู้จำหน่ายให้มา: ให้ภาพและทิศทางโดยรวมได้ แต่ยังไม่ใช่รายงานผลที่ผ่านการตรวจสอบจริง
Nemotron 3.5 Lightning จริงๆ แล้วคืออะไร
Nemotron 3.5 Lightning เป็นสมาชิกใหม่ล่าสุดและเล็กที่สุดของตระกูล Nemotron 3 แบบเปิดของ Nvidia เป็นโมเดล MoE ที่มีพารามิเตอร์ 30B โดยมีเพียง 3B ที่ทำงานต่อโทเคน สร้างขึ้นบนสถาปัตยกรรมไฮบริดระหว่าง Mamba-2 และ MoE พร้อมเลเยอร์ attention แบบเลือกเฉพาะและหัว multi-token prediction (MTP) ที่ถูกฝังไว้ในระหว่างขั้นตอนการฝึกก่อน (pre-training) โดยเฉพาะ Nvidia กล่าวว่าโมเดลดังกล่าวถูกกลั่น (distilled) มาจากโมเดล Nemotron 3 Ultra ซึ่งเป็นโมเดลระดับแนวหน้าของบริษัท และถูกฝึกบนโทเคนมากกว่า 20 ล้านล้านโทเคน พร้อมรองรับหน้าต่างบริบท (context window) สูงสุดถึง 1 ล้านโทเคน
เป้าหมายการออกแบบคือความหน่วงและต้นทุนในระดับสเกล ไม่ใช่ความสามารถทั่วไประดับแนวหน้า Nvidia วางตำแหน่ง Lightning ไว้สำหรับ "ชั้นการดำเนินการ" ของเอเจนต์ที่ทำงานตลอดเวลา — งานที่เรียกใช้บ่อยครั้งในปริมาณมากแต่ความยากไม่สูงมาก ซึ่งเอเจนต์ทำอยู่ตลอด ได้แก่ การเรียกใช้เครื่องมือ การตรวจสอบโค้ด การคัดแยกการแจ้งเตือนด้านความปลอดภัย คำถามเกี่ยวกับการเรียกเก็บเงิน และการมอบหมายงานให้ซับเอเจนต์ นี่คืองานที่คุณไม่ต้องการใช้โมเดลระดับแนวหน้าทุกขั้นตอน แต่คุณต้องการโมเดลที่ถูกและเร็วซึ่งดีพอใช้ การอ้างเรื่องความเร็วนั้นมาจากสถาปัตยกรรม: เร็วกว่าโมเดลขนาดใกล้เคียงกันถึง 4 เท่าในการสร้างเอาต์พุต และทำงานแบบเอเจนต์เสร็จเร็วขึ้นประมาณ 30% ตามการวัดของ Nvidia โมเดลดราฟต์สองตัวคือ DSpark และ DFlash ให้การถอดรหัสแบบคาดการณ์ที่ปรับแต่งมาสำหรับการให้บริการที่รองรับการทำงานพร้อมกันระดับปานกลางถึงสูง
จุดตรวจทั้งสามจุด — และจุดที่คุณต้องการ
การเปิดตัวครั้งนี้แท้จริงแล้วประกอบด้วยไฟล์ดาวน์โหลดสามไฟล์ และการรายงานข่าวที่มองว่า "Nemotron 3.5 Lightning" เป็นโมเดลเดียวจะพลาดความแตกต่างที่สำคัญที่สุดสำหรับนักพัฒนา
หัวข้อของชิ้นงานนี้ NVIDIA-Nemotron-3.5-Lightning-30B-A3B-Base-BF16คือเช็คพอยต์ดิบที่ผ่านการพรีเทรน — ไม่มีการปรับแต่งแบบมีผู้สอน (supervised fine-tuning) ไม่มี RL และไม่มีการกลั่น (distillation) ใดๆ มันเป็นโมเดลพื้นฐานในความหมายที่เคร่งครัด: มันไม่ได้แชทได้ทันที และมันมีไว้เพื่อเป็นจุดเริ่มต้นสำหรับการพรีเทรนต่อ, การ SFT ที่กำหนดเอง, RL หรือการกลั่น หากคุณตั้งใจจะสร้างโมเดลของคุณเองต่อยอดจากการพรีเทรนของ Nvidia ไฟล์นี้คือสิ่งที่คุณต้องการ
รุ่นที่ปล่อยออกมาคู่กันNVIDIA-Nemotron-3.5-Lightning-30B-A3B-BF16คือน้ำหนักอ้างอิงที่ใช้รันไปป์ไลน์เต็มรูปแบบ ประกอบด้วย pre-training, MTP continuation, SFT และ RL โดยเป็นโมเดลสำหรับการให้เหตุผลและการสนทนาทั่วไป แต่ Nvidia ยังคงวางกรอบให้เป็นจุดเริ่มต้นสำหรับการปรับแต่ง มากกว่าจะเป็นโมเดลสำหรับให้บริการในระบบผลิต สำหรับการให้บริการ checkpoint แบบ NVFP4 (ที่ปล่อยมาพร้อมกัน แชร์ quantization kernels ที่ Nvidia ใช้สำหรับ Nemotron 3 Ultra) เป็นตัวที่มุ่งเน้นเรื่อง latency และ throughput
คำแนะนำเชิงปฏิบัติ หนึ่งบรรทัดต่อจุดตรวจ:
• Base-BF16 — การฝึกก่อนแบบต่อเนื่อง, การฝึกหลังเฉพาะโดเมน, การกลั่นความรู้จากศูนย์ จากนี้เป็นหน้าที่ของคุณ
• BF16 รุ่นอ้างอิง — สามารถแชทและให้เหตุผลได้ แต่ออกแบบมาเพื่อเป็นฐานสำหรับการทำ SFT หรือ RL ของคุณเอง ไม่ใช่เพื่อใช้เป็นเอนด์พอยต์ที่โฮสต์ไว้
• NVFP4 — เช็คพอยต์ที่ปรับให้เหมาะสมสำหรับการให้บริการ เพื่อนำไปปรับใช้บน GPU ของ Nvidia.
ผู้อ่านส่วนใหญ่ที่หยิบใช้ production API ต้องการโมเดลที่ปรับแต่งมาแล้ว ไม่ใช่โมเดลพื้นฐาน ถึงกระนั้นโมเดลพื้นฐานก็สำคัญ เพราะ Nvidia ปล่อยออกมาภายใต้ไลเซนส์เปิด (OpenMDW-1.1) ที่ครอบคลุมน้ำหนัก ข้อมูลฝึก และสูตรการฝึก — ส่วนการ pretraining แบบดิบคือสิ่งที่คุณไม่สามารถได้รับจากผู้จำหน่ายที่ปิดระบบ และเป็นส่วนที่ทำให้ทั้งตระกูลนี้เป็นของคุณเอง

ทะเบียนเกณฑ์มาตรฐานที่ระบุอย่างตรงไปตรงมา
ต่อไปนี้คือสิ่งที่ Nvidia รายงานสำหรับเช็คพอยต์พื้นฐานจากการประเมินของตัวเอง: MMLU 78.59, MMLU-Pro (5-shot) 67.94, GSM8K 91.28, HumanEval 77.44, MBPP 78.59, ARC-Challenge 92.66, HellaSwag 85.55, WinoGrande 79.95 และคะแนน RULER แบบบริบทยาว 69.62 ที่ 1M โทเคน ตัวอ้างอิงที่ปรับแต่งแล้วขยับเข็มในจุดที่คุณคาดหวัง: MMLU-Pro 81.94, GPQA Diamond (ไม่มีเครื่องมือ) 75.44, SWE-bench Verified 51.56, Terminal-Bench 2.1 24.58
ตัวเลขความเร็วหลักๆ ก็เป็นข้อมูลที่ผู้จำหน่ายรายงานเช่นกัน: ให้ผลลัพธ์เร็วขึ้นถึง 4 เท่า และทำงานแบบ agentic ได้เร็วขึ้น 30% เมื่อเทียบกับโมเดลในระดับเดียวกัน รวมถึงผล PinchBench ที่ความแม่นยำ 86% จากการรัน 10,000 งาน ซึ่งเร็วขึ้นประมาณ 30% เมื่อเทียบกับ Qwen3.6-35B ที่ความแม่นยำใกล้เคียงกัน Nvidia ยังอ้างถึง Artificial Analysis Intelligence Index ที่ 24 ซึ่งเท่ากับ gpt-oss-120b — แต่โปรดสังเกตที่มา: นั่นคือ Nvidia อ้างคะแนนสำหรับโมเดลที่ ณ วันที่ 11 สิงหาคม ยังไม่ปรากฏบนลีดเดอร์บอร์ดสาธารณะของ Artificial Analysis ห้องปฏิบัติการอิสระยังไม่ได้เผยแพร่ตัวเลขของ Lightning
เพื่อให้เห็นว่าค่า 24 อยู่ในตำแหน่งใดในตระกูลนี้ ดัชนีที่วัดโดย AA สำหรับโมเดลเปิดอื่นๆ ของ Nvidia คือ 25.4 สำหรับทั้ง Nemotron 3 Ultra และ Nemotron 3 Super และ 14.2 สำหรับ Nemotron 3 Nano Lightning ไม่ใช่โมเดลระดับแนวหน้า และ Nvidia ก็ไม่ได้อ้างว่าเป็นเช่นนั้น มันคือการเดิมพันในด้านความเร็วและต้นทุนของเส้นขอบพาเรโต

มีไว้เพื่ออะไร: ชั้นการทำงานของเอเจนต์
ข้อเสนอของ Nvidia คือการแบ่งงานกันทำ: โมเดลระดับแนวหน้าทำหน้าที่วางแผนและใช้เหตุผล ขณะที่ตัวดำเนินการราคาถูกจัดการกับการเรียกใช้งานประจำนับพันครั้งที่ทำให้เอเจนต์ทำงานได้ตลอดทั้งวันจริง ๆ นั่นคือเหตุผลที่การประกาศครั้งเดียวกันนี้รวมไลบรารีการจัดเส้นทางไว้ด้วย — Lightning ถูกออกแบบให้เป็นเพียงชั้นหนึ่งในระบบที่ใหญ่กว่า ไม่ใช่ทั้งระบบ
กรณีศึกษาจากพาร์ตเนอร์เป็นข้อมูลที่ Nvidia จัดหาให้ ดังนั้นควรอ่านในฐานะเอกสารการตลาดที่มีตัวเลขประกอบ กรณีที่แสดงจุดประสงค์ของโมเดลได้ชัดเจนที่สุดคือ CodeRabbit ซึ่งระบุว่าได้ post-train โมเดล Lightning สำหรับการตรวจสอบโค้ดภายในเวลาไม่ถึงสามชั่วโมงด้วยงบไม่ถึง 100 ดอลลาร์สหรัฐ โดยได้ความแม่นยำเพิ่มขึ้นประมาณ 4% เทียบกับเบสไลน์ระดับ GPT และมีต้นทุนการอินเฟอเรนซ์ต่ำกว่าประมาณครึ่งหนึ่ง ไม่ว่าคุณจะเชื่อตัวเลขเป๊ะๆ หรือไม่ โครงเรื่องที่สำคัญคือ: โมเดลแบบ 3B-active นั้นราคาถูกพอที่จะ fine-tune ด้วยข้อมูลของคุณเองและให้บริการในวงกว้างได้ ซึ่งคือคุณค่าหลักทั้งหมดของมัน
การคำนวณต้นทุน
ไม่มีราคาจำหน่ายสำหรับ Nemotron 3.5 Lightning เพราะไม่มีอะไรให้ซื้อ — น้ำหนักของโมเดลแจกฟรีภายใต้ OpenMDW-1.1 พร้อมด้วยข้อมูลฝึกและสูตรการสร้างโมเดล ราคาคือสิ่งที่ผู้ให้บริการเรียกเก็บเพื่อให้บริการ และตัวเลขนั้นจะผันผวนมากกว่าคุณภาพเมื่อ API จากบุคคลที่สามเริ่มรองรับตระกูลนี้ สำหรับการทำต้นแบบ Nvidia ให้บริการเป็นไมโครเซอร์วิส NIM บนแพลตฟอร์ม build.nvidia.com ของตัวเอง ซึ่งทดลองใช้ฟรีโดยมีขีดจำกัดอัตราการใช้งานและไม่ต้องใช้บัตรเครดิต
ข้อเท็จจริงด้านต้นทุนสองประการที่ต้องพิจารณาก่อนประเมินเรื่องนี้ ประการแรก "30B total, 3B active" หมายถึงการอินเฟอเรนซ์มีต้นทุนต่อโทเคนต่ำ แต่ทั้ง 30B ยังต้องอยู่ในหน่วยความจำบน GPU แต่ละตัว — การเสิร์ฟไม่ฟรี และ batch concurrency เป็นตัวกำหนดว่ามันจะทำงานได้เร็วแค่ไหนจริงๆ ประการที่สอง เมื่อโมเดลโอเพนเวตถูกนำขึ้นบน hosted APIs หลายแห่ง ราคาต่อโทเคนระหว่างผู้ให้บริการอาจต่างกันเป็นเท่าตัว และความแตกต่างนั้นไม่ใช่สัญญาณของคุณภาพ นี่คือจุดที่เกตเวย์แบบ pass-through พิสูจน์คุณค่า: OrcaRouter ส่งผ่านราคารายการของผู้ให้บริการตรงๆ ที่มาร์กอัป 0% ดังนั้นการลดราคาที่ผู้ให้บริการจะมีผลในวันเดียวกัน และความแปรปรวนของราคายังคงเป็นไปตามกลไกตลาด Nemotron 3.5 Lightning ยังไม่อยู่บน OrcaRouter — น้ำหนักโมเดลเพิ่งปล่อยออกมาเมื่อไม่กี่ชั่วโมงก่อน — แต่รูปแบบการนำโมเดลที่เพิ่งออกมาได้วันเดียวไปใช้อย่างปลอดภัยคือการกำหนดเส้นทางผ่านระบบ failover อัตโนมัติ เพื่อที่ปัญหา cold-start บนโฮสต์หนึ่งจะไม่ทำให้เส้นทางในระบบ production ล่ม
เราเตอร์ที่มาพร้อมกับมัน
NeMo Switchyard นั้นควรค่าแก่การทำความเข้าใจ เพราะมันคือการเดิมพันของ Nvidia ว่า AI เชิงเอเจนต์แบบเปิดควรจะทำงานอย่างไร: ไม่ใช่โมเดลใหญ่เพียงตัวเดียว แต่เป็นระบบที่ส่งแต่ละขั้นตอนไปยังโมเดลที่มีความสามารถและมีประสิทธิภาพสูงสุดที่มีอยู่ มันคือไลบรารีโอเพนซอร์สที่คุณผสานรวมเข้ากับแฮร์เนสของคุณ พร้อมกับปุ่มปรับแต่งเพื่อปรับให้เข้ากับคุณภาพ เวลาแฝง หรือต้นทุน เบนช์มาร์กของ Nvidia เองอ้างว่ามีความแม่นยำระดับแนวหน้า ด้วยต้นทุนประมาณหนึ่งในสามของโมเดลระดับแนวหน้าที่ทำงานเพียงลำพัง
ผลลัพธ์จากพาร์ทเนอร์ ซึ่งรายงานโดย Nvidia อีกครั้ง มีความสอดคล้องในทิศทางเดียวกัน: Boomi กล่าวว่าได้ส่งทราฟฟิก 59% ไปยังโมเดลเฉพาะทางที่เร็วขึ้น 5 เท่า พร้อมกับความหน่วงในเทิร์นหลังที่ลดลง 21%; Cognition รายงานต้นทุนเฉลี่ยลดลง 28%; Ramp กล่าวว่าทำผลงานเทียบเท่าโมเดลระดับแนวหน้าในการทดสอบ SWE-bench ของตนเอง โดยมีต้นทุนลดลง 58% จุดข้อมูลที่จริงใจที่สุดคือ LangChain: ต้นทุนลดลง 74% จากการทำงานเอเจนต์แบบหลายขั้นตอนถึง 145 งาน โดยมีการเรียกไปยังโมเดลระดับแนวหน้าเพียง 7% — โดยแลกกับความแม่นยำที่ลดลง 6% การจัดเส้นทางไม่ใช่เรื่องฟรี มันคือการแลกเปลี่ยนโดยเจตนา
Switchyard เป็นไลบรารี หมายความว่าเป็นเส้นทางแบบสร้างเอง: คุณกำหนดนโยบาย, ผสานรวม, และดำเนินการเอง ทางเลือกแบบจัดการให้คือ hosted routing API ซึ่งคีย์เดียวครอบคลุมโมเดลมากกว่า 200 รายการ, failover เป็นค่าเริ่มต้นแทนที่จะเป็นสิ่งที่คุณต้องเชื่อมต่อเอง, และ routing DSL ช่วยให้คุณประกอบโมเดลหลายตัวเข้าด้วยกันในการเรียกครั้งเดียว ตัวเลขการทดสอบของ Nvidia เอง — 59%, 74%, 58% — เป็นข้อโต้แย้งที่แข็งแกร่งที่สุดสำหรับรูปแบบนั้น ไม่ว่าคุณจะรันบนเลเยอร์ใดก็ตาม
วิธีรันในวันนี้
การสนับสนุนตั้งแต่วันแรกนั้นกว้างขวาง เช็คพอยต์ทำงานในเครื่องบนพีซี RTX, DGX Spark, DGX Station และฮาร์ดแวร์ Jetson รวมถึงในดาตาเซ็นเตอร์บน GPU Hopper และ Blackwell ระบบนิเวศที่ประกาศไว้ครอบคลุม vLLM, SGLang, llama.cpp, Ollama, LM Studio, Unsloth และ TensorRT-LLM พร้อมด้วยคอนเทนเนอร์ NIM สำหรับโครงสร้างพื้นฐานของ Nvidia สำหรับการฝึกหลัง (post-training) Nvidia ยังเผยแพร่ชุดข้อมูล RL แบบเปิดชื่อ Nemotron-RL-Agentic-Terminal-Pivot ซึ่งมุ่งเน้นความสามารถของเอเจนต์เขียนโค้ด — มีประโยชน์หากคุณวางแผนจะทำขั้นตอน RL ของคุณเองบนฐานดังกล่าว

ใครควรลงมือตอนนี้
กลุ่มสามกลุ่มได้รับบางอย่างจากการเปิดตัวครั้งนี้ และพวกเขาควรทำสิ่งที่ต่างกัน ถ้าคุณสร้างโมเดล — การฝึกต่อเนื่อง (continued pre-training), การปรับหลังฝึกเฉพาะโดเมน (domain post-training), การกลั่นความรู้ (distillation) — checkpoint Base-BF16 คือไฟล์ดาวน์โหลดที่น่าสนใจ และมันใหม่จริงๆ: Nvidia ไม่เคยเปิด pretraining ระดับ 30B-class ดิบภายใต้ไลเซนส์นี้มาก่อน ถ้าคุณให้บริการโมเดล checkpoint NVFP4 และเส้นทาง NIM คุ้มค่าแก่การ benchmark กับสิ่งที่คุณรันอยู่แล้วสำหรับงาน agent workloads; โปรไฟล์ 3B-active คือจุดขายทั้งหมด และถ้าคุณเป็นนักพัฒนาแอปพลิเคชัน คำตอบที่ตรงไปตรงมาคือรอไปก่อน: โมเดลที่ปรับแต่งแล้วยังไม่มีให้ใช้บน hosted APIs ในรูปแบบที่เสถียร ตัวเลขจากแหล่งอิสระยังอีกหลายสัปดาห์ และภาพรวมต้นทุนจะชัดเจนขึ้นเมื่อตลาดตั้งราคา 30B MoE แบบเปิด
สิ่งที่น่าจับตาต่อไปคือ: การทดสอบอิสระครั้งแรกบน Artificial Analysis ซึ่งจะยืนยันหรือทำให้ข้อกล่าวอ้างของ Index-24 แฟบลง; ราคาที่ผู้ให้บริการโฮสติ้งรายแรกตั้งไว้สำหรับเช็คพอยต์ที่ถูกปรับแต่ง; และความถี่ที่ตัวเลข Switchyard ของ Nvidia เองปรากฏในการ benchmark ของคนอื่นๆ นี่คือการเปิดตัวที่เกี่ยวกับประสิทธิภาพและการเลือกเส้นทาง (routing) ไม่ใช่เกี่ยวกับพรมแดนใหม่ — และนั่น ไม่ใช่สเปกชีต คือเรื่องราวที่แท้จริง
คำถามที่พบบ่อย
ฉันสามารถใช้ Base-BF16 checkpoint สำหรับการแชทได้ทันทีหรือไม่
ไม่ใช่ NVIDIA-Nemotron-3.5-Lightning-30B-A3B-Base-BF16 คือเช็คพอยต์ดิบที่ผ่านการฝึกมาก่อน โดยไม่มีการใช้ SFT หรือ RL — มันไม่ได้ถูกปรับจูนด้วยคำสั่ง ตัวเลือกที่รองรับการสนทนาและการให้เหตุผลคือรุ่นพี่น้อง NVIDIA-Nemotron-3.5-Lightning-30B-A3B-BF16 ซึ่งเป็นรุ่นอ้างอิงที่ผ่านไปป์ไลน์สี่ขั้นตอนเต็ม; โมเดลฐานนี้มีไว้เพื่อปรับแต่งเพิ่มเติม ไม่ใช่เพื่อนำไปใช้งานตามสภาพเดิม.
ดัชนี Artificial Analysis ที่มีค่า 24 เป็นคะแนนอิสระหรือไม่?
ไม่ — ยังไม่ใช่ ตัวเลขดังกล่าวเป็นคะแนนที่ Nvidia อ้างถึงสำหรับโมเดลที่ ณ วันที่ 11 สิงหาคม 2026 ยังไม่ปรากฏบนกระดานผู้นำสาธารณะของ Artificial Analysis ห้องปฏิบัติการอิสระยังไม่ได้เผยแพร่ผลลัพธ์ของ Nemotron 3.5 Lightning ดังนั้นควรมองว่าทุกตัวเลขในเอกสารเปิดตัวเป็นข้อมูลที่รายงานโดยผู้ขายจนกว่าจะมีการทดสอบจากบุคคลที่สามปรากฏขึ้น
