NVIDIA が最新オープンモデル Nemotron 3 Super を発表したので Cloudflare Workers AI で試してみた
ウィスキー、シガー、パイプをこよなく愛する大栗です。
2026年3月11日に NVIDIA が最新のオープンモデル Nemotron 3 Super を発表し、Cloudflare Workers AI でも利用可能になりましたので早速試してみました。
- Introducing Nemotron 3 Super: An Open Hybrid Mamba-Transformer MoE for Agentic Reasoning
- Nemotron 3 Super — NVIDIA Research
- NVIDIA Nemotron 3 Super Technical Report (PDF)
- Cloudflare Changelog: Nemotron 3 Super on Workers AI
- Workers AI Model: nemotron-3-120b-a12b
Nemotron 3 Super とは
Nemotron 3 Super は NVIDIA が発表した、マルチエージェント AI システムを念頭に設計されたオープンハイブリッドモデルです。総パラメータ数は 120B ですが、推論時にアクティブになるのは 12B のみという Mixture-of-Experts（MoE）アーキテクチャを採用しています。
ハイブリッド Mamba-Transformer MoE アーキテクチャ
Nemotron 3 Super の最大の特徴は、3つの要素を組み合わせたハイブリッドアーキテクチャです。
NVIDIA Corporation. "Nemotron 3 Super: Open, Efficient Mixture-of-Experts Hybrid Mamba-Transformer Model for Agentic Reasoning". Research at NVIDIA. 2026-03. https://research.nvidia.com/labs/nemotron/files/NVIDIA-Nemotron-3-Super-Technical-Report.pdf, (2026-03-12)
| レイヤー | 役割 |
|---|---|
| Mamba-2 層 | 線形計算量でのシーケンス処理。長いコンテキストを効率的に扱う |
| Transformer Attention 層 | 精密な記憶の想起 |
| MoE（Mixture-of-Experts）層 | 密な計算なしにパラメータ数をスケールアップ |
従来の Transformer モデルは長いシーケンスになるほど計算コストが二乗で増加しますが、Mamba-2 は線形計算量でシーケンスを処理できます。一方で Mamba 単独では精密な記憶の想起が苦手なため、Transformer Attention を組み合わせることで双方の長所を活かしています。
主な特徴
- Latent MoE
- 従来の MoE と比較して、同じ計算コストで4倍のエキスパートを持てる Latent MoE を採用しています。エキスパート数を増やすことで、より多様なタスクに対応できるようになっています。
- Multi-token prediction（MTP）
- ネイティブな Multi-token prediction により、投機的デコーディング（speculative decoding）を組み込みでサポートしています。コード生成やツール呼び出し等の構造化タスクでは、別途ドラフトモデルを用意することなく最大3倍の実時間高速化を実現します。
- 1M トークンのコンテキストウィンドウ
- ネイティブで 1M トークンのコンテキストウィンドウをサポートしています。マルチエージェント環境では「コンテキスト爆発」と呼ばれる問題（通常のチャットの最大15倍のトークンを消費する）が発生しやすいのですが、長大なコンテキストに対応することでエージェントの長期記憶として活用できます。
- NVFP4 ネイティブ事前学習
- NVIDIA Blackwell GPU に最適化された NVIDIA の 4 ビット浮動小数点形式 NVFP4 でネイティブ事前学習されています。チェックポイントは NVFP4、FP8、BF16 の各量子化形式で公開されています。
- マルチ環境強化学習
- 21 種類の設定（環境）でマルチ環境強化学習を行っています。これにより、様々なエージェントタスクに対応できる汎用的な推論能力を獲得しています。
ベンチマーク
同規模モデルとのスループット・精度比較は以下の通りです（スループットは B200 GPU、vLLM/TRT-LLM で計測、8k 入力 / 64k 出力、Nemotron 3 Super NVFP4 を 1.0 として正規化）。
| モデル | 量子化 | Nemotron 3 Super 比スループット | PinchBench 成功率 |
|---|---|---|---|
| Nemotron 3 Super | NVFP4 | —（基準） | 85.6% |
| GPT-OSS-120B | MXFP4 | 2.2倍 | 54.0% |
| Qwen3.5-122B | BF16 | 7.5倍 | 84.5% |
1M トークンのコンテキストを使った RULER テストでも、上記両モデルを上回る正解率を出しています。
NVIDIA Corporation. "Nemotron 3 Super: Open, Efficient Mixture-of-Experts Hybrid Mamba-Transformer Model for Agentic Reasoning". Research at NVIDIA. 2026-03. https://research.nvidia.com/labs/nemotron/files/NVIDIA-Nemotron-3-Super-Technical-Report.pdf, (2026-03-12)
NVIDIA Nemotron 3 Super の入手
build.nvidia.com、Perplexity、OpenRouter、Hugging Faceからアクセスできます。企業や開発者は複数のパートナーを通じてモデルをデプロイできます。
- クラウドサービスプロバイダー
- Google Cloud
- Oracle Cloud Infrastructure
- Amazon Web Services と Microsoft Azure は近日中に対応します。
- NVIDIA クラウドパートナー
- Coreweave
- Crusoe
- Nebius
- Together AI
- インファレンスサービスプロバイダー
- Baseten
- Cloudflare ← 本エントリで利用します。
- DeepInfra
- Fireworks AI
- Inference.net
- Lightning AI
- Modal
- FriendliAI
- データ プラットフォームとサービス
- Distyl
- Dataiku
- DataRobot
- Deloitte
- EY
- Tata Consultancy Services.
Cloudflare Workers AI での利用
Cloudflare Workers AI では 2026年3月11日より Nemotron 3 Super が利用可能になりました。
| 項目 | 値 |
|---|---|
| モデルID | @cf/nvidia/nemotron-3-120b-a12b |
| コンテキストウィンドウ | 32,000 トークン |
| Function calling | 対応 |
| 入力料金 | $0.50 / 1Mトークン |
| 出力料金 | $1.50 / 1Mトークン |
| ライセンス | NVIDIA Nemotron Open Model License |
なお、Workers AI では Nemotron 3 Super のネイティブの 1M トークンコンテキストではなく、32,000 トークン での利用となります。Function calling に対応していますので、エージェントのツール呼び出しにも活用できます。
やってみる
LLM Playground で試す
Cloudflare Workers AI には、ブラウザから手軽にモデルを試せる LLM Playground が用意されています。Cloudflare の Workers AI Playground を開きます。ログイン不要です。
モデル一覧から @cf/nvidia/nemotron-3-120b-a12b を選択します。
『NVIDIA Nemotron 3 の特徴を教えて』と聞くと、以下のように回答が返ってきます。
Nemotron 3 Super の回答の全文
NVIDIA Nemotron 3 は、企業向けアプリケーションに特化した高性能かつ効率的な言語モデル群（LLM）で、2024年初頭に NVIDIA が公開しました。主に「Nemotron-3 8B」（80億パラメータ）と「Nemotron-3 22B」（220億パラメータ）の2つのバリエーションがあり、オープンで商用利用可能なライセンス（NVIDIA Model License）の下で提供されています。以下にその主要な特徴を整理します。
🔑 主要な特徴
スケーラブルなモデルサイズとバランスの取れた性能
8B バージョン: 遅延が重視されるエッジデバイスやリアルタイムアプリケーション（例：チャットボット、要約）に適し、小規模ながら高い効率を実現。
22B バージョン: 中規模モデルながら、推論・コード生成・多言語タスクにおいて Llama 3 70B クラスの性能を発揮（例：MMLU で ~75% 前後、HumanEval で ~50% 前後）。
注意点: 現在公開されているのは 8B/22B が中心で、350B 規模のモデルは Nemotron 4 シリーズに属します（誤解を避けるため補足）。
大規模かつ多様な学習データ
約3兆トークンのデータセットで事前学習。ウェブテキスト、書籍、マルチリンガルコード（100+言語対応）、科学論文などを含み、知識の幅とコード理解力を強化。
データは2023年末までをカバー（最新情報はやや遅れありですが、RAG で補完可能）。
長いコンテキストウィンドウ
標準で 32,768 トークン のコンテキスト長をサポート（例：約50ページの日本語ドキュメントを一度に処理可能）。
スライディングウィンドウ注意機構や効率的なメモリ管理により、長文要約や複数ドキュメント分析にも適応。
NVIDIA エコシステムへの最適化
TensorRT-LLM との統合で、FP8 精度量産やTensor Core最適化により、H100/A100 GPU でのスループットを大幅向上（例：22B モデルで Llama 2 70B 比 2～3倍高速化）。
量子化対応（INT4/FP8）により、メモリ使用量を削減し、単一 GPU でも実行可能（例：22B モデルを INT4 で ~13GB VRAM で動作）。
Triton Inference Server や NeMo Framework とシームレスに連携し、本番環境でのデプロイを簡素化。
安全性と信頼性への配慮
人間のフィードバックから学ぶ強化学習（RLHF）と拒否サンプリングを組み合わせたアライメント手法で、有害出力やバイアスを低減。
NeMo Guardrails との親和性が高く、企業向けにトピック制御やポリシー違反検出を組み込みやすい設計。
NVIDIA AI Enterprise サブスクリプション対応で、サポート・セキュリティパッチ・ライセンス保証が付帯。
マルチタスク対応力
ゼロショット/フェワショットで以下のタスクに強み：
自然言語理解（Q&A、要約、感情分析）
コード生成・デバッグ（Python、Java、SQL など対応）
多言語翻訳・クロスリンガル検索
RAG（Retrieval-Augmented Generation）パイプラインでの文脈 grounding
💡 典型的なユースケース
エンタープライズチャットボット: 社内ドキュメントやFAQを参照した正確な応答（例：HR・ITサポート）。
コンテンツ自動化: 市場レポート作成、多言語マーケティング文言生成。
開発者支援: コード補完、バグ修正提案、技術ドキュメント検索（例：GitHub Copilot 風ツールの基盤）。
データ分析補助: SQL生成、データ可視化の指示解釈、レポート作成の下書き。
⚠️ 留意点
マルチモーダル非対応: 画像や音声入力には対応していません（マルチモーダルが必要な場合は Nemotron 4 Vision などを検討）。
カスタマイズコスト: フルファインチューンにはリソースが必要ですが、LoRA や PEFT メソッドで効率的に適応可能（NVIDIA NeMo でサポート）。
知識の鮮度: 学習データのカットオフがあるため、最新事実が必要な場合は RAG やウェブ検索連携が必須。
📌 選ぶ際のポイント
遅延・コスト重視 → 8B バージョン（例：エッジデバイスや低遅延API）。
バランス重視（精度 vs. コスト） → 22B バージョン（ほとんどのエンタープライズタスクでコストパフォーマンスに優れる）。
既に NVIDIA エコシステムを利用中 → TensorRT-LLM や Triton での導入が特にスムーズ。
NVIDIA は「企業が安心してプロダクトに組み込める」ことを重視しており、安全性・効率性・サポート体制という観点で、汎用LLM（Llama 3、Mistral など）と差別化を図っています。詳細については、NVIDIAの公式ページまたは Hugging Face 上の Nemotron-3 8B / Nemotron-3 22B をご確認ください。
他に気になる点があれば、遠慮なくどうぞ！ 😊
コーディングが不要で、すぐに動作を確認できるのが LLM Playground の便利なところです。
LLM Chat App Template で試す
Cloudflare 公式の llm-chat-app-template を使うと、SSE ストリーミング対応のチャット UI をすぐに動かせます。なお
1. リポジトリのクローンと依存インストール
$ git clone https://github.com/cloudflare/llm-chat-app-template
$ cd llm-chat-app-template
$ npm install
$ npm run cf-typegen
2. モデルを Nemotron 3 Super に変更
src/index.ts の冒頭にある MODEL_ID 定数を書き換えるだけです。
変更前:
// Model ID for Workers AI model
// https://developers.cloudflare.com/workers-ai/models/
const MODEL_ID = "@cf/meta/llama-3.1-8b-instruct-fp8";
変更後:
// Model ID for Workers AI model
// https://developers.cloudflare.com/workers-ai/models/
const MODEL_ID = "@cf/nvidia/nemotron-3-120b-a12b";
変更箇所はここだけです。wrangler.jsonc の AI バインディング設定はそのまま使えます。
3. ローカルで動作確認
$ npm run dev
http://localhost:8787 でチャット UI が起動します。なお、ローカル開発時も Cloudflare アカウントにアクセスするため、Workers AI の利用料金が発生します。
4. デプロイ
Cloudflare Workers にデプロイします。
$ npm run deploy
デプロイコマンドの結果の最後に出てくる URL にアクセスすると以下のようなページが表示されます。
5. 動かしてみる
以下のように Nemotron 3 Super ベースの回答がされます。
ただし、たまに回答が帰って来ない事がありました。
これはデフォルトだと CPU 時間の制限が設定されておらず、実行時間の制限で落ちているようでした。
wrangler.jsonc で Limits の設定を入れて再デプロイするか、ダッシュボードで設定します。ただしダッシュボードの変更では再デプロイ時に消えてしまうので、基本的に wrangler.jsonc を修正してください。
さいごに
Nemotron 3 Super は、Mamba と Transformer、そして MoE を組み合わせたアーキテクチャで、スループットと精度を高いレベルで両立しているのが印象的です。特に、エージェント AI の課題である「コンテキスト爆発」に対して、1M トークンの長大なコンテキストウィンドウとネイティブの投機的デコーディングで対応している点は、実用的なマルチエージェントシステムを構築する上で非常に心強いです。
Cloudflare Workers AI で手軽に利用できるようになったことで、エッジでのエージェント AI 活用の可能性がさらに広がります。まずは LLM Playground で気軽に動作を確認してみて、ユースケースに合うかどうか試してみることをお勧めします。
