Dieses Modell ist veraltet. Wir messen die Leistung nur noch für die Standard-Workload mit 10.000 Eingabe-Tokens. Ergebnisse für andere Workloads sind historische Daten und werden nicht mehr aktualisiert.

NVIDIA hat eine neuere Version veröffentlicht: Nemotron 3 Super 120B A12B. Wir empfehlen, diese als Alternative in Betracht zu ziehen.

NVIDIA

•

Open weights model

•

Released Oktober 2024

Llama 3.1 Nemotron Instruct 70B: Analyse von Intelligenz, Leistung und Preis

Name: Intelligenz
Creator: Artificial Analysis
License: https://artificialanalysis.ai/docs/legal/Terms-of-Use.pdf

Ausprobieren Benchmarks der API-Anbieter

Intelligenz

Artificial Analysis Intelligence Index

* Geschätzt

Geschwindigkeit

k. A.

Ausgabetokens pro Sekunde

Kosten

Eingabe -Ausgabe -

k. A.

Kosten pro Aufgabe des Intelligence Index

Ausführlichkeit

k. A.

Ausgabetokens im Intelligence Index

Im Vergleich zu anderen Modellen ohne Reasoning mit offenen Gewichten ähnlicher Größe zählt Llama 3.1 Nemotron Instruct 70B bei der Intelligenz zu den überdurchschnittlichen Modellen. Das Modell unterstützt Text als Eingabe und Text als Ausgabe. Das Kontextfenster umfasst 128k Tokens, der Wissensstand reicht bis Dezember 2023.

Llama 3.1 Nemotron Instruct 70B erzielt im Artificial Analysis Intelligence Index einen Wert von 7 und liegt damit über dem Durchschnitt der vergleichbaren Modelle (Median: 7).

Reasoning	Nein Diese Seite zeigt die Version dieses Modells ohne Reasoning. Möglicherweise gibt es auch eine Reasoning-Variante.
Eingabemodalität	Unterstützt: Text
Ausgabemodalität	Unterstützt: Text
Wissensstichtag	01.12.2023
Kontextfenster	128k ~192 A4-Seiten in Arial mit Schriftgröße 12
Gesamtparameter	70B
Lizenz	LLAMA 3.1 COMMUNITY LICENSE AGREEMENT
Modellgewichte	Hugging Face

Metriken werden mit Modellen derselben Klasse verglichen:

Modelle ohne Reasoning → Vergleich nur mit anderen Modellen ohne Reasoning
Reasoning-Modelle → Vergleich mit Reasoning-Modellen und Modellen ohne Reasoning
Modelle mit offenen Gewichten → Vergleich nur mit anderen Modellen mit offenen Gewichten derselben Größenklasse:

Sehr klein: ≤4B Parameter
Klein: 4B–40B Parameter
Mittel: 40B–150B Parameter
Groß: >150B Parameter

Proprietäre Modelle → Vergleich mit proprietären Modellen und Modellen mit offenen Gewichten derselben Preisklasse anhand eines Mischpreisverhältnisses von 3:1 für Eingabe/Ausgabe:

<$0.15 pro 1 Mio. Tokens
$0.15–$1 pro 1 Mio. Tokens
>$1 pro 1 Mio. Tokens

Intelligenz

Artificial Analysis Intelligence Index · Higher is better

Geschwindigkeit

Output tokens per second · Higher is better

Kosten pro Aufgabe

Weighted average cost (USD) per Intelligence Index task · Lower is better

Intelligenz

Artificial Analysis Intelligence Index

Artificial Analysis Intelligence Index v4.3.2 incorporates 10 evaluations: AA-Briefcase v1.1, GDPval-AA v2.1, AutomationBench-AA, Terminal-Bench 4.0, SciCode, Humanity's Last Exam, GDP.pdf, CritPt, AA-Omniscience, AA-LCR v1.1

No publicly available API

Estimate (independent evaluation forthcoming)

Artificial Analysis Intelligence Index v4.3.2 includes: AA-Briefcase v1.1, GDPval-AA v2.1, AutomationBench-AA, Terminal-Bench 4.0, SciCode, Humanity's Last Exam, GDP.pdf, CritPt, AA-Omniscience, AA-LCR v1.1. See Intelligence Index methodology for further details, including a breakdown of each evaluation and how we run them.

Artificial Analysis Intelligence Index: Open Weights vs. proprietär

No publicly available API

Estimate (independent evaluation forthcoming)

Indicates whether the model weights are available. Models are labelled as 'Commercial Use Restricted' if commercial use is limited by conditions, and as 'Non-commercial' if the license prohibits commercial use.

Intelligence Index vs. Kosten pro Aufgabe

Artificial Analysis Intelligence Index · Weighted average cost (USD) per Artificial Analysis Intelligence Index task

Most attractive quadrant

Pareto line

Weighted average cost per Intelligence Index task. Each evaluation’s cost is calculated from input, cache hit, cache write, reasoning, and answer token prices, divided by task count, and weighted by its Intelligence Index weight.

Benchmarks

Evaluations

Intelligence evaluations measured independently by Artificial Analysis · Higher is better

No publicly available API

AA-Briefcase v1.1Updated

Agentic knowledge work, (Elo-500)/2000

AA-Omniscience Accuracy

Knowledge

AA-Omniscience Non-Hallucination Rate

1 - hallucination rate

AutomationBench-AA

Agentic SaaS workflows

GDPval-AA v2.1Updated

Agentic real-world work tasks, (Elo-500)/2000

Humanity's Last Exam

Reasoning & knowledge

GDP.pdf

Professional document reasoning, All-pass

Terminal-Bench 4.0

Agentic coding & terminal use

AA-LCR v1.1

Long context reasoning

SciCodeUnder review

Coding

CritPtUnder review

Physics reasoning

Terminal-Bench-Science 0.1New

Agentic scientific research workflows in a terminal

FrontierCode 1.1New

Agentic software engineering in open-source repositories

AA-AnalystAgent

Quantitative analysis on spreadsheets & documents

Harvey LAB-AA v1.1Updated

Legal agentic work, Hallucination-Gated All-Pass Rate

EnterpriseOps-Gym-AA

Agentic business operations

ITBench-AA

Kubernetes incident root-cause analysis

MLCR-AA

Medical long context reasoning

MMMU-Pro

Visual reasoning

While model intelligence generally translates across use cases, specific evaluations may be more relevant for certain use cases.

AA-Omniscience

AA-Omniscience Index

AA-Omniscience Index (higher is better) measures knowledge reliability and hallucination. It rewards correct answers, penalizes hallucinations, and has no penalty for refusing to answer. Scores range from -100 to 100, where 0 means as many correct as incorrect answers, and negative scores mean more incorrect than correct.

No publicly available API

Openness Index

Artificial Analysis Openness Index: Wert

Der Openness Index bewertet die Offenheit von Modellen auf einer normierten Skala von 0 bis 100 (höher bedeutet offener)

Vergleiche des Intelligence Index

Intelligence Index vs. Kosten pro Aufgabe

Artificial Analysis Intelligence Index · Weighted average cost (USD) per Artificial Analysis Intelligence Index task

Most attractive quadrant

Pareto line

Kosten

Kosten pro Aufgabe des Intelligence Index

Weighted average cost (USD) per Intelligence Index task · Segmented by token type · Lower is better

Kosten für die Durchführung des Artificial Analysis Intelligence Index

Cost (USD) to run all evaluations in the Artificial Analysis Intelligence Index

The cost to run the evaluations in the Artificial Analysis Intelligence Index, calculated using the model's input, cache hit, cache write, reasoning, and answer token prices and the number of tokens used across evaluations (excluding repeats).

Preise: Cache-Treffer, Eingabe und Ausgabe

Price (USD per M Tokens)

Price per token for cached prompts (previously processed), typically offering a significant discount compared to regular input price, represented as USD per million tokens. The values shown here are the cache hit price; cache write and cache storage are billed separately and vary by provider — see "Cache pricing by provider" for detail.

Kontextfenster

Context window: tokens limit · Higher is better

No publicly available API

Larger context windows are relevant to RAG (Retrieval Augmented Generation) LLM workflows which typically involve reasoning and information retrieval of large amounts of data.

Maximum number of combined input & output tokens. Output tokens commonly have a significantly lower limit (varied by model).

Modellgröße (nur Modelle mit offenen Gewichten)

Modellgröße: Gesamtparameter und aktive Parameter

Comparison between total model parameters and parameters active during inference (billions)

The total number of trainable weights and biases in the model, expressed in billions. These parameters are learned during training and determine the model's ability to process and generate responses.

The number of parameters actually executed during each inference forward pass, expressed in billions. For Mixture of Experts (MoE) models, a routing mechanism selects a subset of experts per token, resulting in fewer active than total parameters. Dense models use all parameters, so active equals total.

Häufig gestellte Fragen

Häufige Fragen zu Llama 3.1 Nemotron Instruct 70B

Llama 3.1 Nemotron Instruct 70B wurde am 15. Oktober 2024 veröffentlicht.

Llama 3.1 Nemotron Instruct 70B wurde von NVIDIA entwickelt.

Llama 3.1 Nemotron Instruct 70B erzielt im Artificial Analysis Intelligence Index einen geschätzten Wert von 7 und liegt damit im Vergleich zu anderen Modellen ohne Reasoning mit offenen Gewichten ähnlicher Größe über dem Durchschnitt (Median: 7).

Nein, Llama 3.1 Nemotron Instruct 70B ist kein Reasoning-Modell. Es antwortet direkt, ohne längeres Chain-of-Thought-Reasoning.

Llama 3.1 Nemotron Instruct 70B unterstützt Text als Eingabe.

Llama 3.1 Nemotron Instruct 70B unterstützt Text als Ausgabe.

Nein, Llama 3.1 Nemotron Instruct 70B unterstützt keine Bildeingaben. Es kann nur Text verarbeiten.

Nein, Llama 3.1 Nemotron Instruct 70B ist nicht multimodal. Es unterstützt nur Text als Eingabe.

Llama 3.1 Nemotron Instruct 70B hat ein Kontextfenster von 130k Tokens. Es bestimmt, wie viel Text und Gesprächsverlauf das Modell in einer einzelnen Anfrage verarbeiten kann.

Ja, Llama 3.1 Nemotron Instruct 70B hat offene Gewichte. Die Modellgewichte sind öffentlich verfügbar und können zum Selbsthosten heruntergeladen werden.

Llama 3.1 Nemotron Instruct 70B hat 70 Milliarden Parameter.

Llama 3.1 Nemotron Instruct 70B wird unter der Lizenz LLAMA 3.1 COMMUNITY LICENSE AGREEMENT veröffentlicht. Die kommerzielle Nutzung ist mit Einschränkungen erlaubt. Lizenz anzeigen

Llama 3.1 Nemotron Instruct 70B erzielt im Artificial Analysis Intelligence Index einen Wert von 7. Dieser zusammengesetzte Benchmark bewertet Modelle in den Bereichen Schlussfolgern, Wissen, Mathematik und Programmierung.

Der Wissensstichtag von Llama 3.1 Nemotron Instruct 70B ist Dezember 2023. Die Trainingsdaten des Modells enthalten Informationen bis zu diesem Datum.

Llama 3.1 Nemotron Instruct 70B ist ein Modell mit offenen Gewichten, das selbst gehostet werden kann. Anbieter anzeigen

Llama 3.1 Nemotron Instruct 70B ist ein Modell mit offenen Gewichten, das heruntergeladen und selbst gehostet werden kann. Anbieter vergleichen

Llama 3.1 Nemotron Instruct 70B: Analyse von Intelligenz, Leistung und Preis

Modellübersicht

Intelligenz

Geschwindigkeit

Kosten

Ausführlichkeit

Zusammenfassung des Vergleichs

Technische Spezifikationen

39 Modelle in dieser Klasse

Intelligenz

Geschwindigkeit

Kosten pro Aufgabe

Intelligenz

Artificial Analysis Intelligence Index

Artificial Analysis Intelligence Index

Artificial Analysis Intelligence Index: Open Weights vs. proprietär

Artificial Analysis Intelligence Index

Open Weights

Intelligence Index vs. Kosten pro Aufgabe

Cost per Intelligence Index Task

Artificial Analysis Intelligence Index

Benchmarks

Evaluations

Intelligence Evaluation Relevance

Artificial Analysis Intelligence Index

AA-Omniscience

AA-Omniscience Index

AA-Omniscience Index

Openness Index

Artificial Analysis Openness Index: Wert

Vergleiche des Intelligence Index

Intelligence Index vs. Kosten pro Aufgabe

Cost per Intelligence Index Task

Artificial Analysis Intelligence Index

Kosten

Kosten pro Aufgabe des Intelligence Index

Cost per Intelligence Index Task

Kosten für die Durchführung des Artificial Analysis Intelligence Index

Cost to Run Artificial Analysis Intelligence Index

Preise: Cache-Treffer, Eingabe und Ausgabe

Cache Hit

Kontextfenster

Kontextfenster

Context Window for RAG

Context Window

Modellgröße (nur Modelle mit offenen Gewichten)

Modellgröße: Gesamtparameter und aktive Parameter

Total Parameters

Active Parameters at Inference Time

Häufig gestellte Fragen

Wann wurde Llama 3.1 Nemotron Instruct 70B veröffentlicht?

Wer hat Llama 3.1 Nemotron Instruct 70B entwickelt?

Wie intelligent ist Llama 3.1 Nemotron Instruct 70B?

Ist Llama 3.1 Nemotron Instruct 70B ein Reasoning-Modell?

Welche Eingabemodalitäten unterstützt Llama 3.1 Nemotron Instruct 70B?

Welche Ausgabemodalitäten unterstützt Llama 3.1 Nemotron Instruct 70B?

Kann Llama 3.1 Nemotron Instruct 70B Bilder verarbeiten?

Ist Llama 3.1 Nemotron Instruct 70B multimodal?

Wie groß ist das Kontextfenster von Llama 3.1 Nemotron Instruct 70B?

Hat Llama 3.1 Nemotron Instruct 70B offene Gewichte?

Wie viele Parameter hat Llama 3.1 Nemotron Instruct 70B?

Unter welcher Lizenz steht Llama 3.1 Nemotron Instruct 70B?

Wie schneidet Llama 3.1 Nemotron Instruct 70B in Benchmarks ab?

Welchen Wissensstichtag hat Llama 3.1 Nemotron Instruct 70B?

Ist Llama 3.1 Nemotron Instruct 70B über eine API verfügbar?

Wo kann ich Llama 3.1 Nemotron Instruct 70B verwenden?