Nemotron 3.5 Bolt (74B A9B 24GB)

Fiche modèle · NVIDIA · nemotron-3.5-bolt-74b-a9b-24gb

NVIDIA Nemotron 3.5 Bolt is an open multimodal 74B total / 9B active Mixture-of-Experts vision-language model for local / edge agentic workloads. Compressed from Nemotron 3.5 Super VL into a native IQ2 (2-bit) 24GB footprint for RTX / DGX Spark and similar systems, with a hybrid Mamba-2 + LatentMoE + Attention backbone and C-RADIO v4-H vision encoder. Accepts text, image, and video inputs and produces text; up to 256K context; tool use and configurable reasoning. A full-precision BF16 sibling is published at nvidia/NVIDIA-Nemotron-3.5-Bolt-74B-A9B-BF16. Released under OpenMDW-1.1.

Fiches modèles

Identité

OrganisationNVIDIA
Pays—
Famille—
Typellm
Date de sortie2026-10-15
Licenceopenmdw license v1.1
Licence commercialeoui
Licence open sourceoui
Poids ouvertsoui
Auto-hébergement (DGX Spark)oui — ≤ 107 Md (Q8/FP8)
Modalités—
Fenêtre de contexte256 000
KV cache / token (Q8)—
Paramètres totaux74 B
Paramètres actifs (session)9 B
Source des paramètres actifsactifs : nom (heuristique) ; total : nom (heuristique)
Curation des paramètres actifs2026-11-04
Prix par session—
Tokens / tâche (Data Players)1.2 M
Tokens / tâche (Terminal-Bench)83.3 M (est.)
Ratio Terminal-Bench / Data Players69.4×
Coût / tâche (Terminal-Bench)—
Tokens d'entraînement—
Coupure de connaissance2026-05-01
Créé le2026-10-19T15:09:35.769995Z
Mis à jour le2026-11-04T06:04:58.761907Z
SourceLLM Stats
URLhttps://llm-stats.com/models/nemotron-3.5-bolt-74b-a9b-24gb
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)

CatégorieScore
knowledge0.20
long_context0.60
math0.30
physics0.60
reasoning0.50
science0.20
search0.70
general0.50
agents0.50
biology0.60
chemistry0.60
code0.60
tool_calling0.40
vision0.30

Scores par benchmark

BenchmarkCatégorieScoreMaxNormalisé (API)VérifiéAuto-déclaréDaté du
aa-lcrreasoning0.641.000.64nonoui2026-11-04T06:04:58.788254Z
browsecompreasoning0.671.000.67nonoui2026-11-04T06:04:58.768434Z
gpqareasoning0.861.000.86nonoui2026-11-04T06:04:58.785089Z
humanity's-last-examreasoning0.251.000.25nonoui2026-11-04T06:04:58.778717Z
mcp-atlasreasoning0.521.000.52nonoui2026-11-04T06:04:58.794306Z
omnisciencescience0.171.000.17nonoui2026-11-04T06:04:58.791372Z
pinchbenchcode0.881.000.88nonoui2026-11-04T06:04:58.765259Z
scicodereasoning0.411.000.41nonoui2026-11-04T06:04:58.781755Z
tau3-bankingagents0.171.000.17nonoui2026-11-04T06:04:58.775715Z
terminal-bench-2.1reasoning0.511.000.51nonoui2026-11-04T06:04:58.771467Z

Classements

CatégorieRangScoreNote conservatriceBenchmarks évaluésMéthodeDaté duProvenance
knowledge320.201.851trueskill2026-11-04T08:08:45.139626Zrankings
agents124—12.365trueskill2026-10-20model_history
code151—14.754trueskill2026-10-20model_history

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