Cascaded modèle de raisonnement combining speculative draft decoding avec 3B actif MoE routage pour lightning-rapide token sortie.
Technical Specifications
- Provider
- NVIDIA
- Category
- open-source
- Release Date
- 2026-03
- Batch API Discount
- 50% off async batch
- Consumer Subscription
- Free / Self-Hosted
- Reasoning Effort Control
- Configurable (Low / Med / High)
- Structured Outputs
- Yes
- Output Modalities
- text
- Official Documentation
- Visit Official Docs ↗
Data Privacy, Licensing & Deployment Governance
Official Provider Release Intelligence, API Quotas & Agentic Specs
- Official API Model ID (SDK String)
- nemotron-cascade-2-30b-a3b
- Supported SDK & API Protocol
- OpenAI-Compatible REST / vLLM / SGLang / HuggingFace TGI
- Lifecycle & Deprecation Status
- Active GA (Guaranteed support through 2028+)
- Production Rate Limits (RPM & TPM)
- Unlimited (Hardware-bound on self-hosted GPU) / 10,000 RPM Cloud · Unlimited local throughput / 10M+ TPM Managed Cloud
- Long-Context Pricing Tier (>128K / >200K)
- Flat rate ($0.1/1M in) across full 256K window
- Prompt Cache Write & TTL Policy
- Cached input at $0.02/1M tokens
- Computer Use & Browser GUI Agent
- API / CLI Tool-Use & DOM Agent ready (no raw pixel desktop click loop)
- MCP & Parallel Tool Calling
- Native MCP Client/Server ready · Parallel function calling · 100% Strict JSON Schema
- Web Search Grounding & Code Sandbox
- Supported via external Tavily/Exa Search & E2B/Docker Sandbox tools
- Fine-Tuning & Distillation Support
- Full Weights SFT, LoRA, QLoRA, DPO & GRPO RL (Unsloth / Axolotl / Llama-Factory)
- Multimodal Tokenization Billing
- Text BPE (~4 chars/token)
- Weights Precision & Quantization
- BF16 / FP16, FP8 Dynamic, INT4 AWQ / GPTQ, GGUF (Q4_K_M / Q8_0)
- Minimum GPU VRAM Requirement
- 19 GB VRAM (4-bit Quantized) · 65 GB VRAM (Native BF16)
- Supported Inference Engines
- vLLM, SGLang, Ollama, llama.cpp, TensorRT-LLM, HuggingFace TGI
- System Card & Safety Framework
- Open-Weights System Card + Customizable Guardrail Layer (Llama Guard / ShieldGemma)
- Enterprise Compliance (SOC2 / HIPAA / ZDR)
- 100% Air-Gapped On-Premises / Private VPC · Full HIPAA, GDPR & SOC2 Control
Nemotron Cascade 2 30B A3B Cost, Context, Hardware & API Integration
Pay-as-you-go API is cheaper for this volume (saves $12.65/mo vs $20 flat plan).
Break-even point: ~1,361 requests/day equals $20/month.
Same Monthly Workload Cost Across Popular Reference Models
Live Prompt Paste Tokenizer & Cost Counter
Paste real system instructions, JSON schemas, or code to measure BPE token counts across tokenizers.
Hybrid Prompt Routing Cascade Simulator
Route routine queries to a fast lightweight model ($0.15/1M) and escalate only complex reasoning turns to Nemotron Cascade 2 30B A3B:
Benchmark Scores & 6-Axis Capability Radar
- SWE-bench Verified
- 39.5%
- GPQA Diamond
- 55.2%
- MMLU-Pro
- 76%
- HumanEval
- 86%
- Terminal-Bench
- 35%
- AIME
- 65%
- Long-Context Reasoning
- 77%
- Chatbot Arena Elo
- 1295pts
Strengths
- Cascaded speculative architecture producing 155 tokens/sec génération vitesse
- 256K fenêtre de contexte avec seamless local déploiement sur unique-card workstations
- Robust appel d'outils et dependable structuré schema adherence
Limitations & Trade-offs
- Trails larger modèles sur compétitif programmation challenges
- texte-seulement avec no image modality
Editorial Assessment
un ultra-rapide cascaded MoE qui sets un new vitesse standard pour 30B classe architectures.
Best for: en temps réel conversationnel agents, instant codage autocomplete, et faible-latence API services
Compare Nemotron Cascade 2 30B A3B
Frequently Asked Questions about Nemotron Cascade 2 30B A3B
How much does the Nemotron Cascade 2 30B A3B API cost per 1M tokens?+
Nemotron Cascade 2 30B A3B by NVIDIA is priced at $0.1 per 1M input tokens and $0.25 per 1M output tokens. With prompt caching enabled, cached input tokens cost $0.02 per 1M tokens, and asynchronous Batch API requests receive a 50% discount.
Should I use a $20/month subscription or the Nemotron Cascade 2 30B A3B pay-as-you-go API?+
A flat $20/month consumer subscription is predictable for daily interactive chat and manual coding. However, if you are building software, running automated workflows, or sending low-to-moderate volume with prompt caching enabled, the pay-as-you-go API is typically far more cost-effective and offers higher rate limits without manual UI caps.
How many words and pages fit in Nemotron Cascade 2 30B A3B's context window?+
Nemotron Cascade 2 30B A3B features a 256K tokens context window, which equals approximately 192,000 English words or ~512 standard single-spaced pages in a single prompt. Its maximum output generation per turn is 16,384 tokens.
Can I run Nemotron Cascade 2 30B A3B locally on my own GPU (Open Weights)?+
Yes, Nemotron Cascade 2 30B A3B (30B (3B active MoE)) releases open weights that can be self-hosted locally or on private cloud GPUs using vLLM, Ollama, SGLang, or llama.cpp.
Does NVIDIA train on data sent to the Nemotron Cascade 2 30B A3B API, and is commercial use allowed?+
100% Isolated when self-hosted on private GPUs or VPC. License tier: Open-Weights Research & Commercial License. Full commercial ownership of generated outputs. Supported deployment channels include: Self-Hosted GPU (vLLM / Ollama), Private VPC, or Managed Serverless API.
How does Nemotron Cascade 2 30B A3B perform on coding and reasoning benchmarks?+
Nemotron Cascade 2 30B A3B achieves a composite Intelligence Index of 46/100, scoring 39.5% on SWE-bench Verified, 55.2% on GPQA Diamond, 76% on MMLU-Pro, and 1295 pts on Chatbot Arena Elo.
What is Nemotron Cascade 2 30B A3B best used for?+
Nemotron Cascade 2 30B A3B is best suited for: en temps réel conversationnel agents, instant codage autocomplete, et faible-latence API services. Assessment: un ultra-rapide cascaded MoE qui sets un new vitesse standard pour 30B classe architectures.
NVIDIA Family Lineage, Routing Tiers & Upgrade Path
Step down to a lighter sibling for high-volume routing or step up to NVIDIA's flagship reasoning tier:
Nemotron 3 Ultra 550B A55B
Nemotron 3.5 Content Safety
Nemotron 3 Nano Omni 30B A3B Reasoning
Nemotron 3 Content Safety
Nemotron 3 Super 120B A12B
Nemotron VoiceChat
AI Glossary & Architecture Concepts
View full glossary →Key machine learning concepts and benchmarks relevant to Nemotron Cascade 2 30B A3B:
L'unité textuelle de base traitée par un modèle linguistique, représentant généralement 3 à 4 caractères ou environ 0,75 mot. Par exemple, une phrase courante est découpée en plusieurs jetons.
Une suite de tests standardisés permettant d'évaluer et de comparer objectivement les performances des modèles d'IA sur des tâches ciblées (code avec SWE-bench, mathématiques avec AIME, etc.).
Le nombre maximal de jetons qu'un modèle peut traiter simultanément (entrée et sortie comprises). Une fenêtre de 1 000 000 jetons permet d'analyser environ 750 000 mots en une seule requête.
Un modèle d'IA entraîné par apprentissage par renforcement pour allouer du temps de calcul à la réflexion logique avant d'émettre une solution, idéal pour les problèmes scientifiques et le code complexe.
Une méthode de raisonnement pas-à-pas où le modèle décompose le problème en étapes logiques intermédiaires avant de conclure, augmentant drastiquement la précision en mathématiques et programmation.
La capacité d'un LLM à déterminer quand une action externe est requise et à générer des arguments structurés pour invoquer des API, calculatrices ou bases de données avant de poursuivre.
Les scores de benchmarks, tarifs par token et limites évoluent rapidement. Vérifiez toujours les spécifications actuelles sur la documentation officielle du fournisseur.
Sources: NVIDIA Developer Tools (March 2026)↗