NVIDIA: Llama 3.3 Nemotron Super 49B V1.5
NVIDIA: Llama 3.3 Nemotron Super 49B V1.5 est un LLM publié par NVIDIA le 10 octobre 2025. Il se distingue par une très grande fenêtre de contexte de 131 072 tokens, un positionnement tarifaire très économique et une couverture confirmée par 3 sources de données concordantes.
NVIDIA: Llama 3.3 Nemotron Super 49B V1.5 est un LLM publié par NVIDIA le 10 octobre 2025. Il se distingue par une très grande fenêtre de contexte de 131 072 tokens, un positionnement tarifaire très économique et une couverture confirmée par 3 sources de données concordantes.
Son profil combine des scores élevés sur plusieurs évaluations Benchable et un coût d’usage bas, avec un tarif identique en entrée et en sortie. Le modèle se place nettement sous la moyenne des LLM similaires et reste environ 12,1 fois moins cher que les modèles frontière cités dans la section Tarifs.
Caractéristiques
| Caractéristique | Valeur |
|---|---|
| Type | Grand modèle de langage (LLM) |
| Éditeur | NVIDIA |
| Date de sortie | 10 octobre 2025 |
| Connaissances jusqu'à | 2024-03-31 |
| Multimodal | non |
| Fenêtre de contexte | 131 072 tokens |
| Modalités (entrée → sortie) | text → text |
Performances (benchmarks)
| Benchmark | Score | Rang (LLM) | Source | Fiabilité |
|---|---|---|---|---|
| Benchable : Ethics (Baseline) | 100,0 % | 1ᵉ / 248 | benchable | ✅ Mesuré |
| Benchable : General Knowledge (Baseline) | 99,0 % | 113ᵉ / 250 | benchable | ✅ Mesuré |
| Benchable : Email Classification (Baseline) | 99,0 % | 24ᵉ / 254 | benchable | ✅ Mesuré |
| Benchable : Reasoning (Baseline) | 92,0 % | 79ᵉ / 239 | benchable | ✅ Mesuré |
| Benchable : Hallucinations (Baseline) | 90,0 % | 145ᵉ / 229 | benchable | ✅ Mesuré |
| Benchable : Coding (Baseline) | 89,0 % | 118ᵉ / 248 | benchable | ✅ Mesuré |
| Benchable : Mathematics (Baseline) | 85,0 % | 132ᵉ / 217 | benchable | ✅ Mesuré |
| Benchable : Instruction Following (Baseline) | 60,2 % | 141ᵉ / 252 | benchable | ✅ Mesuré |
Comment se situe-t-il ?
Le modèle (en orange) comparé aux meilleurs modèles « grand public » sur chaque dimension, et à ses voisins de classement.
Benchable : Ethics (Baseline)
Benchable : General Knowledge (Baseline)
Classements Arena (Elo)
| Catégorie | Elo | Rang |
|---|---|---|
| Arena Text | 1343 | 185ᵉ |
Tarifs
| Fournisseur | Entrée / 1M | Sortie / 1M | Cache lecture / 1M |
|---|---|---|---|
| DeepInfra | 0,4 $ | 0,4 $ | n.d. |
Prix en dollars US par million de tokens.
Sa tarification se situe 79 % en dessous de la moyenne des LLM similaires, et 12,1 fois moins cher que les modèles frontières (Claude Fable 5, GPT-5.4, Gemini 3.1 Pro Preview).
Coût & vitesse agentiques
| Indicateur | Valeur |
|---|---|
| Coût moyen par benchmark — Benchable | 0,04 $ |
| Latence moyenne par benchmark — Benchable | 21 min 18 s |
Coûts et durées réels mesurés en exécutant le modèle comme agent. PinchBench = un run complet de 147 tâches (harness OpenClaw) ; Benchable = moyenne par benchmark. Sources : PinchBench, Benchable.ai.
Notre analyse
Forces. NVIDIA: Llama 3.3 Nemotron Super 49B V1.5 ressort surtout sur Benchable Ethics (Baseline), où il atteint la première place du classement et figure dans le top 10. Les résultats sont également solides en General Knowledge (Baseline) et en Email Classification (Baseline), deux domaines où le modèle se situe à un niveau élevé. Le Reasoning (Baseline) reste compétitif, même s’il n’occupe pas les tout premiers rangs. Sa fenêtre de contexte de 131 072 tokens constitue un atout concret pour traiter de longs contenus dans une même requête. Le tarif, 79% inférieur à la moyenne des LLM similaires, renforce son intérêt pour des usages à fort volume.
Limites et points d'attention. Le classement Arena text, avec un rang éloigné du haut du tableau, indique une performance conversationnelle moins distinctive que ses meilleurs résultats Benchable. Le score Hallucinations (Baseline) reste élevé mais son rang le place plutôt en milieu de classement, ce qui impose de vérifier les sorties dans les usages factuels. Le Coding (Baseline) apparaît correct sans dominer la catégorie. Les connaissances s’arrêtent au 2024-03-31, ce qui limite la fiabilité sur les événements postérieurs. Profil pertinent pour des déploiements sensibles au coût, centrés sur la classification, la connaissance générale, le raisonnement courant et les longs contextes.
Sources des données : OpenRouter (openrouter.ai) · Arena.ai (arena.ai) · Benchable.ai (benchable.ai).