Nemotron Nano 9B v2

Fiche modèle · NVIDIA · nvidia-nemotron-nano-9b-v2

NVIDIA-Nemotron-Nano-9B-v2 is a large language model (LLM) trained from scratch by NVIDIA, and designed as a unified model for both reasoning and non-reasoning tasks. It responds to user queries and tasks by first generating a reasoning trace and then concluding with a final response. The model's reasoning capabilities can be controlled via a system prompt. If the user prefers the model to provide its final answer without intermediate reasoning traces, it can be configured to do so, albeit with a slight decrease in accuracy for harder prompts that require reasoning. Conversely, allowing the model to generate reasoning traces first generally results in higher-quality final solutions to queries and tasks.

Fiches modèles

Identité

Organisation	NVIDIA
Pays	—
Famille	—
Type	llm
Date de sortie	2025-08-18
Licence	nvidia open model license agreement
Licence commerciale	oui
Licence open source	non
Poids ouverts	oui
Auto-hébergement (DGX Spark)	oui — ≤ 107 Md (Q8/FP8)
Modalités	—
Fenêtre de contexte	131 072
KV cache / token (Q8)	114.7 ko/token
Paramètres totaux	8.9 B
Paramètres actifs (session)	8.89 B
Source des paramètres actifs	actifs = total (modèle dense, config HF (nvidia/NVIDIA-Nemotron-Nano-9B-v2)) ; total : config Hugging Face (nvidia/NVIDIA-Nemotron-Nano-9B-v2)
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	21 100 000 000 000
Coupure de connaissance	2024-09-01
Créé le	2026-05-07T16:53:33.294481Z
Mis à jour le	2026-11-04T06:04:58.994757Z
Source	LLM Stats
URL	https://llm-stats.com/models/nvidia-nemotron-nano-9b-v2

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	0.90
instruction_following	0.90
math	0.80
physics	0.60
reasoning	0.80
structured_output	0.90
general	0.80
biology	0.60
chemistry	0.60
code	0.70

Scores par benchmark

Benchmark	Catégorie	Score	Max	Normalisé (API)	Vérifié	Auto-déclaré	Daté du
aime-2025	math	0.72	1.00	0.72	non	oui	2026-11-04T06:04:58.998756Z
bfcl-v3-multiturn	general	0.67	1.00	0.67	non	oui	2026-11-04T06:04:59.028512Z
gpqa	reasoning	0.64	1.00	0.64	non	oui	2026-11-04T06:04:59.020000Z
ifeval	chat	0.90	1.00	0.90	non	oui	2026-11-04T06:04:59.033031Z
livecodebench	reasoning	0.71	1.00	0.71	non	oui	2026-11-04T06:04:59.024770Z
math-500	math	0.98	1.00	0.98	non	oui	2026-11-04T06:04:59.011578Z

Classements

Catégorie	Rang	Score	Note conservatrice	Benchmarks évalués	Méthode	Daté du	Provenance
chat	45	0.90	20.78	1	trueskill	2026-11-04T08:08:43.789169Z	rankings
code	147	—	14.36	1	trueskill	2026-10-19	model_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