Nemotron Labs Dory 1.0 (4B)

Fiche modèle · NVIDIA · nemotron-labs-dory-1.0-4b

NVIDIA Nemotron Labs Dory 1.0 4B is an open-weight looped (latent-recurrent) normalized-GPT language model with interleaved sliding-window attention (SWA) and full-attention layers. A shared recurrent block can be applied multiple times at inference (recommended default: 2 loops) to trade compute for accuracy without swapping checkpoints. Text-in / text-out, English, up to 256K context (max_position_embeddings 262144). Reasoning model with tool calling. Pre-trained on 6T tokens (NVFP4 then BF16) plus 300B context-extension tokens; training data collected through December 2025. Released under OpenMDW License Agreement v1.1. Weights: BF16 (siblings MXFP8, NVFP4, GGUF).

Fiches modèles

Identité

OrganisationNVIDIA
Pays—
Famille—
Typellm
Date de sortie2026-10-16
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 totaux4 B
Paramètres actifs (session)—
Source des paramètres actifs—
Curation des paramètres actifs—
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'entraînement6 000 000 000 000
Coupure de connaissance—
Créé le2026-10-19T15:09:36.179887Z
Mis à jour le2026-11-04T06:04:58.934378Z
SourceLLM Stats
URLhttps://llm-stats.com/models/nemotron-labs-dory-1.0-4b
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
instruction_following0.80
knowledge0.10
legal946.00
long_context0.70
math0.20
physics0.50
reasoning105.40
science0.10
finance946.00
frontend_development0.60
general95.00
agents315.40
biology0.50
chemistry0.50
code0.40
tool_calling0.20
vision0.10

Scores par benchmark

BenchmarkCatégorieScoreMaxNormalisé (API)VérifiéAuto-déclaréDaté du
aa-lcrreasoning0.711.000.71nonoui2026-11-04T06:04:58.987657Z
gdpval-aageneral946.003 000.000.32nonoui2026-11-04T06:04:58.966915Z
gpqareasoning0.721.000.72nonoui2026-11-04T06:04:58.970390Z
humanity's-last-examreasoning0.111.000.11nonoui2026-11-04T06:04:58.978615Z
ifbenchinstruction_following0.781.000.78nonoui2026-11-04T06:04:58.983275Z
omnisciencescience0.101.000.10nonoui2026-11-04T06:04:58.990893Z
scicodereasoning0.351.000.35nonoui2026-11-04T06:04:58.938119Z
swe-bench-verifiedreasoning0.591.000.59nonoui2026-11-04T06:04:58.942333Z
tau3-bankingagents0.131.000.13nonoui2026-11-04T06:04:58.953054Z
terminal-bench-2.1reasoning0.181.000.18nonoui2026-11-04T06:04:58.945716Z

Classements

CatégorieRangScoreNote conservatriceBenchmarks évaluésMéthodeDaté duProvenance
knowledge380.10-4.161trueskill2026-11-04T08:08:45.139626Zrankings
agents198—-0.683trueskill2026-10-20model_history
code241—2.933trueskill2026-10-20model_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