Faire tourner Nemotron 3 Ultra sur B200 SXM

Nemotron 3 Ultra compte 550 milliards de paramètres. B200 SXM offre 1 440 Go de mémoire HBM3e, 8 GPU. Cette page confronte les deux.

Par QDNA · Publié le 27 juillet 2026 · Mis à jour le 15 septembre 2026

Réponse courte. Nemotron 3 Ultra tient largement sur B200 SXM. En FP16, ses poids occupent environ 1 265 Go sur les 1 440 Go disponibles, soit 175 Go laissés au cache d’attention et à la concurrence.

Quelle mémoire Nemotron 3 Ultra demande-t-il ?

Les poids occupent le nombre de paramètres multiplié par la taille du format, plus une marge d’exécution de 15 % pour les activations et les tampons. En FP16, le calcul s’écrit : 550 milliards de paramètres × 2 octets (FP16) = 1 100,0 Go de poids ; × 1,15 de marge d’exécution = 1 265,0 Go. Le cache d’attention s’ajoute par-dessus : il croît avec la longueur du contexte et avec le nombre de requêtes simultanées, donc il se dimensionne au cas par cas.

Format	Poids en mémoire	Sur cette machine	Ce que le format coûte
FP16	1 265 Go	limite	pleine précision, référence de qualité
FP8	632 Go	tient	perte négligeable sur la plupart des tâches
NVFP4	316 Go	tient	format Blackwell, calcul FP4 natif
Q4	379 Go	tient	quantification par blocs, large support

Fiche du modèle : 550 milliards de paramètres, 55 milliards actifs par token, contexte de 262 144 tokens, licence OpenMDW 1.1. 550 milliards annoncés ; le dépôt BF16 compte 560 milliards d’éléments (1 121 Go). La carte annonce un contexte « jusqu’à 1 M », config.json déclare 262 144.

Nemotron 3 Ultra active 55 milliards de paramètres par token sur 550 au total. Ces paramètres actifs gouvernent la vitesse, pas l’empreinte : tous les experts restent chargés en mémoire. Confondre les deux conduit à sous-dimensionner la machine d’un ordre de grandeur.

Que reste-t-il pour servir des requêtes ?

Nemotron 3 Ultra tient largement sur B200 SXM. En FP16, ses poids occupent environ 1 265 Go sur les 1 440 Go disponibles, soit 175 Go laissés au cache d’attention et à la concurrence. La marge disponible décide du nombre de requêtes simultanées et de la longueur de contexte tenable. Par convention QDNA, une machine « tient » quand les poids occupent au plus 75 % de sa mémoire ; au-delà, elle « tient tout juste » et contraint à limiter le contexte ou la concurrence. Le cache d’attention n’est pas calculé sur cette page. Les architectures de ces modèles (attention latente compressée, linéaire ou creuse, couches Mamba) n’ont pas de formule commune par token ; il se mesure sur la machine, avec le contexte et la concurrence visés [À MESURER].

B200 SXM : prix sur devis. NVIDIA ne publie pas de tarif ; Aivres annonçait environ 340 000 $ HT pour un serveur HGX B200 (Arc Compute, mise à jour du 30 juillet 2026, signalée comme périmée par l’auteur). La machine vise le segment GE.

Où faire tourner Nemotron 3 Ultra autrement ?

Voir aussi la fiche Nemotron 3 Ultra et la fiche B200 SXM.

Quelle mémoire faut-il pour Nemotron 3 Ultra ?

En FP16, les poids occupent environ 1 265 Go, marge d’exécution comprise. Le cache d’attention s’ajoute et dépend du contexte.

Nemotron 3 Ultra tient-il sur B200 SXM ?

Nemotron 3 Ultra tient largement sur B200 SXM. En FP16, ses poids occupent environ 1 265 Go sur les 1 440 Go disponibles, soit 175 Go laissés au cache d’attention et à la concurrence.

Méthode et sources

L’empreinte est calculée, elle n’est pas mesurée : un relevé sur machine peut s’en écarter selon le moteur et le format exact des poids. Chaque valeur ci-dessous porte sa source et la date de son dernier contrôle.

Nemotron 3 Ultra : 550 milliards de paramètres, 55 milliards actifs, contexte de 262 144 tokens, licence OpenMDW 1.1. Dépôt Hugging Face (config.json, API, carte), vérifié le 2 septembre 2026. 550 milliards annoncés ; le dépôt BF16 compte 560 milliards d’éléments (1 121 Go). La carte annonce un contexte « jusqu’à 1 M », config.json déclare 262 144.
B200 SXM : 1 440 Go de mémoire HBM3e, 8 GPU ; HGX B200, 8 GPU Blackwell, 1,4 To de mémoire totale, 144 PFLOPS FP4 avec sparsité (72 en dense), NVLink 1,8 To/s par GPU. Fiche constructeur vérifiée le 2 septembre 2026.
Prix B200 SXM : sur devis. NVIDIA ne publie pas de tarif ; Aivres annonçait environ 340 000 $ HT pour un serveur HGX B200 (Arc Compute, mise à jour du 30 juillet 2026, signalée comme périmée par l’auteur).
Octets par paramètre : FP16 2 (16 bits par paramètre, soit 2 octets) ; FP8 1 (8 bits par paramètre (E4M3), soit 1 octet, échelles par bloc non comptées) ; NVFP4 0,5 (4 bits par paramètre, soit 0,5 octet ; les poids publiés en 4 bits pèsent 0,54 à 0,56 octet par paramètre avec leurs échelles (DeepSeek V4 Pro 865 Go pour 1 599 milliards, Kimi K3 1 561 Go pour 2 780 milliards)) ; Q4 0,6 (entendu ici comme Q4_K_M de llama.cpp, 0,6 octet par paramètre échelles comprises ; Q4_K_S pèse 0,56, AWQ et GPTQ 0,55). Source : connaissance/faits.yaml, famille quantifications, vérifiée le 2026-08-31.
Marge d’exécution × 1,15 : hypothèse d’exploitation QDNA, non mesurée : 15 % au-dessus des poids pour les activations, les tampons et la fragmentation.
Seuil « tient » à 75 % de la mémoire : hypothèse QDNA, non mesurée, qui réserve le quart restant au cache d’attention et à la concurrence.