NVIDIA-Nemotron-Labs-Teacher-Chat: 550 miliardi di parametri per addestrare un modello più piccolo
7 min di lettura
Il 14 agosto 2026, in circa novanta secondi, NVIDIA pubblica su Hugging Face cinque repository: NVIDIA-Nemotron-Labs-Teacher-STEM, -Instruction-Following, -General-Reasoning, -Competition-Coding e, per ultimo, -Chat. Lo abbiamo verificato di persona il 17 agosto, interrogando l’API pubblica di Hugging Face. Repository esaminato: nvidia/NVIDIA-Nemotron-Labs-Teacher-Chat, createdAt 2026-08-14T17:09:11Z, ultima modifica lo stesso giorno alle 21:24. In quel momento: 1.141 download, 0 like, 238 file, di cui 225 shard .safetensors. Tag dichiarati: nemotron_h, text-generation, nvidia, pytorch, nemotron-3, latent-moe, mtp, conversational, custom_code, più dodici lingue e due dataset. Il campo gated è false: lo abbiamo provato scaricando config.json senza autenticarci — risposta HTTP 200, nessun login richiesto.
Un modello che non serve a chi lo scarica, serve al modello che addestra
La scheda lo dichiara nella prima riga della tabella riassuntiva: 550 miliardi di parametri totali, 55 miliardi attivi, architettura LatentMoE — ibrido fra strati Mamba-2, esperti Mixture-of-Experts e alcuni strati di attenzione, con Multi-Token Prediction. Contesto dichiarato fino a 1 milione di token (256.000 di default negli esempi della scheda). Hardware minimo: 4×GB200, 4×B200, 4×GB300, 4×B300, oppure 8×H100 — per una sessione di inferenza, non per addestrare da zero.
Non è pensato per rispondere alle vostre domande, anche se lo sa fare: è un teacher, uno dei — «more than ten domain-specialized teachers that supply training signal to Multi-Teacher On-Policy Distillation (MOPD)», traduzione nostra: più di dieci modelli-insegnante specializzati per dominio che forniscono il segnale di addestramento alla distillazione multi-insegnante on-policy, la fase con cui NVIDIA produce il modello finale della famiglia, Nemotron 3 Ultra. Di quegli insegnanti interni, cinque sono stati resi pubblici come checkpoint autonomi il 14 agosto — «released as a standalone checkpoint because it is a strong chat model in its own right»: pubblicato come checkpoint autonomo perché è di per sé un buon modello di conversazione. In pratica: NVIDIA rende scaricabile non solo il modello che userete, ma lo strumento per generare i dati con cui addestrare il vostro.
Per chi vuole un modello più piccolo e specializzato sul proprio dominio, senza mandare prompt e documenti a un’API esterna, un teacher scaricabile è la differenza fra due mondi: generare le tracce di addestramento dentro il proprio perimetro, oppure fuori. Ne avevamo scritto a proposito della distillazione non autorizzata dalle uscite di API commerciali. Qui il problema è rovesciato: la licenza lo permette esplicitamente, e il vincolo è tutto tecnico — comincia da otto GPU H100 per far girare il solo insegnante.
La licenza, riga per riga
license: other, license_name: openmdw-1.1, link a https://openmdw.ai/license/1-1/. Non è un testo scritto da NVIDIA per l’occasione: è OpenMDW-1.1, la licenza che la Linux Foundation ha pubblicato il 28 maggio 2026 e che avevamo già letto per intero a proposito di un altro modello, Laguna S 2.1 di poolside. La ritroviamo qui perché la scheda la richiama di nuovo, verbatim.
La concessione è ampia ma condizionata, e la condizione sta nell’incipit: «Subject to your compliance with this agreement, permission is hereby granted, free of charge, to deal in the Model Materials without restriction, including under all copyright, patent, database, and trade secret rights included or embodied therein» — traduzione nostra: fermo il rispetto dell’accordo, è concesso il permesso, a titolo gratuito, di disporre liberamente dei Materiali del Modello senza restrizioni, inclusi copyright, brevetti, diritti sulle banche dati e segreto commerciale. Nessuna soglia di fatturato, nessun campo d’uso vietato, nessuna geografia esclusa.
Due obblighi, entrambi di forma. Chi ridistribuisce conserva «(1) a copy of this agreement, and (2) all copyright notices and other notices of origin included in the Model Materials that are applicable to your distribution» — una copia dell’accordo e tutte le note di copyright e di origine incluse nei Materiali che si applicano alla vostra distribuzione. E chi promuove causa perde tutto: se citate in giudizio sostenendo che i Materiali violano un brevetto o un diritto d’autore, «all rights and grants made to you hereunder are terminated, unless that lawsuit was in response to a corresponding lawsuit first brought against you» — tutti i diritti e le concessioni sono revocati, a meno che la causa non fosse una risposta a una causa avviata per prima contro di voi.
La riga che l’ufficio legale dovrebbe leggere per prima è un’altra: «YOU ARE SOLELY RESPONSIBLE FOR (1) CLEARING RIGHTS OF OTHER PERSONS THAT MAY APPLY TO THE MODEL MATERIALS» — siete gli unici responsabili di liberare i diritti di terzi che possano applicarsi ai Materiali del Modello. Nessun fornitore vi tiene indenni. E sugli output: «This agreement does not impose any restrictions or obligations with respect to any use, modification, or sharing of any outputs» — l’accordo non impone restrizioni od obblighi sull’uso, la modifica o la condivisione degli output — compresi, qui, i dati sintetici che questo modello genera per addestrarne un altro.
Le sottocard che la scheda promette e non consegna
La scheda chiude la sezione etica rimandando a quattro «Subcards»: Safety, Explainability, Bias e Privacy, ciascuna linkata come file .md nel repository. Li abbiamo aperti uno per uno il 17 agosto: safety.md, explainability.md, bias.md e privacy.md restituiscono tutti HTTP 404. Non esistono — verosimilmente un frammento di scheda copiato da un altro modello della famiglia e non adattato: anche l’immagine accuracy_plot.png, citata poco sopra, dà lo stesso errore. È la risposta più onesta alla domanda del secondo documento: non c’è un file di restrizioni d’uso separato dalla licenza, ma non c’è nemmeno la documentazione di sicurezza che la scheda dichiara di avere. Un rapporto tecnico dovrebbe dire di più di quanto dice questo.
Vedi il servizio · Parlane con un tecnico
Un registro non si accontenta del nome del repository
Per un registro dei modelli in produzione, «NVIDIA-Nemotron-Labs-Teacher-Chat, openmdw-1.1» non è una riga completa. Un repository gated aperto con un clic mostra che il canale conta quanto il testo della licenza. Qui il canale è aperto senza account, verificato con un download reale. Restano da registrare: la versione esatta del checkpoint (v1.0 - Ultra Chat Teacher GA, dice la scheda), il digest degli shard scaricati, la data di acquisizione, l’elenco delle sottocard promesse e assenti e, dato il ruolo di teacher, l’uso previsto — generare dati per addestrare un modello interno, non servire richieste di utenti finali. Sono caselle diverse da quelle di un modello che si limita a rispondere a un prompt.
Quello che non sappiamo
Non abbiamo scaricato i 225 shard né fatto girare il modello: non affermiamo nulla sulla qualità delle sue risposte, né su quella dei dati che genererebbe per un modello distillato con la sua guida. I benchmark che compaiono altrove nella famiglia Nemotron 3 non sono nostri e non li riportiamo come verificati. NVIDIA offre anche un accesso ospitato su build.nvidia.com, che risponde con HTTP 200: non lo abbiamo interrogato con un account, quindi non sappiamo se offra funzioni assenti nei pesi scaricabili. Non sappiamo quale hardware serva oltre il minimo dichiarato per un uso di produzione, né i costi di una sessione di distillazione reale. Non diamo qualificazioni giuridiche: se generare dati di addestramento con questo modello rientri in una categoria dell’AI Act dipende dall’uso concreto, ed è valutazione di chi lo mette in servizio.
Come lo risolviamo noi
Adempiere: il registro dei modelli in produzione diventa un controllo che gira sui sistemi del cliente, con accanto alle caselle elencate sopra l’uso approvato e chi lo ha autorizzato per iscritto. È la traccia da esibire a un’ispezione, a un cliente in gara o a un consiglio di amministrazione.
Decidere: lo stesso impianto tiene insieme modelli, dati, contratti, archivi e documenti in un modello operativo unico su cui agenti AI eseguono decisioni con un operatore al comando, per grandi imprese, difesa, pubblica amministrazione e sanità. Un teacher da 550 miliardi di parametri, otto GPU H100 come soglia minima, dimostra che i pesi scaricabili senza il calcolo che li rende eseguibili nel vostro perimetro non sono sovranità: la licenza è gratuita, il calcolo per farla valere no. Sempre nelle due modalità dell’offerta — on-premise, su macchine autonome senza integrazione profonda nella rete del cliente, oppure cloud dedicato con VPN dedicata e data center in Italia — e sempre con gestione condivisa: non dovete già avere in casa chi amministra un impianto di questa scala.
Dalla prima sessione, senza costi, esce il registro datato dei modelli in esercizio: per ciascuno, come è stato ottenuto, se il canale è ancora aperto e che cosa avete conservato — comprese le caselle che restano vuote. Resta a voi anche se non proseguiamo insieme.