Llama 3.1 Nemotron 70B Instruct

Fiche modèle · NVIDIA · llama-3.1-nemotron-70b-instruct

A large language model customized by NVIDIA to improve the helpfulness of LLM generated responses. It is a fine-tuned version of Llama 3.1 70B Instruct. The model was trained using RLHF (REINFORCE) with HelpSteer2-Preference prompts.

Fiches modèles

Identité

Organisation	NVIDIA
Pays	—
Famille	—
Type	llm
Date de sortie	2024-10-01
Licence	llama 3.1 community license
Licence commerciale	non
Licence open source	non
Poids ouverts	oui
Auto-hébergement (DGX Spark)	oui — ≤ 107 Md (Q8/FP8)
Modalités	—
Fenêtre de contexte	—
KV cache / token (Q8)	—
Paramètres totaux	70 B
Paramètres actifs (session)	70 B
Source des paramètres actifs	web : https://huggingface.co/nvidia/Llama-3.1-Nemotron-70B-Instruct-HF
Curation des paramètres actifs	2026-11-04
Prix par session	—
Tokens / tâche (Data Players)	1.2 M
Tokens / tâche (Terminal-Bench)	83.3 M (est.)
Ratio Terminal-Bench / Data Players	69.4×
Coût / tâche (Terminal-Bench)	—
Tokens d'entraînement	—
Coupure de connaissance	2023-12-01
Créé le	2026-05-07T16:53:40.583762Z
Mis à jour le	2026-11-04T06:05:14.590177Z
Source	LLM Stats
URL	https://llm-stats.com/models/llama-3.1-nemotron-70b-instruct

Tokens/tâche

Prix par fournisseur

Prix

Statut du modèle (offres + auto-hébergement) : partiel — auto-hébergement DGX Spark (≤ 107 Md).

Toutes sources confondues : catalogue llm-stats, routeurs EUrouter/Cortecs et catalogues directs (OVHcloud, Scaleway, Infomaniak). Les prix sont convertis en USD pour la comparaison ; le prix publié et le taux BCE utilisé sont dans l'infobulle. Les prix inconnus restent indiqués « — ».

Aucune donnée.

Souveraineté qualifiée par offre (modèle × fournisseur) ; survolez le badge pour les critères.

Souveraineté

Scores par catégorie (top_scores)

Catégorie	Score
chat	0.10
language	0.80
legal	0.70
math	0.90
reasoning	0.70
roleplay	0.10
finance	0.70
general	0.70
healthcare	0.70
communication	0.10
creativity	0.10

Scores par benchmark

Benchmark	Catégorie	Score	Max	Normalisé (API)	Vérifié	Auto-déclaré	Daté du
arc-c	reasoning	0.69	1.00	0.69	non	oui	2026-11-04T06:05:14.593457Z
gsm8k	math	0.91	1.00	0.91	non	oui	2026-11-04T06:05:14.596334Z
gsm8k-chat	math	0.82	1.00	0.82	non	oui	2026-11-04T06:05:14.599731Z
hellaswag	reasoning	0.86	1.00	0.86	non	oui	2026-11-04T06:05:14.602867Z
instruct-humaneval	general	0.74	1.00	0.74	non	oui	2026-11-04T06:05:14.605872Z
mmlu	general	0.80	1.00	0.80	non	oui	2026-11-04T06:05:14.608973Z
mmlu-chat	language	0.81	1.00	0.81	non	oui	2026-11-04T06:05:14.611930Z
mt-bench	chat	0.09	100.00	0.09	non	oui	2026-11-04T06:05:14.615031Z
truthfulqa	general	0.59	1.00	0.59	non	oui	2026-11-04T06:05:14.617798Z
winogrande	reasoning	0.85	1.00	0.85	non	oui	2026-11-04T06:05:14.620950Z
xlsum-english	summarization	0.32	1.00	0.32	non	oui	2026-11-04T06:05:14.624163Z

Classements

Aucune donnée.

Lecture : Note conservatrice = borne basse TrueSkill (niveau estimé − marge d’incertitude) ; Benchmarks évalués = nombre de benchmarks de la catégorie pris en compte. À performances égales, un modèle évalué sur moins de benchmarks obtient une note plus basse : la note ne se déduit pas d’un seul score. Provenance : rankings = top 50 de /rankings ; model_history = historique du modèle (/models/{id}/history), utilisé pour les rangs au-delà du top 50.

Données

Dates de curation (récupération depuis l'API) : models 2026-11-04 · benchmarks 2026-11-04 · scores 2026-11-04 · updates 2026-11-04 · account 2026-11-04 · model_history 2026-11-04 · rankings 2026-11-04