Editing Openai/692aba85-5b10-8006-817a-d5a83b020f8e (section)

=== Assistant: INTELLECT-3 の「使い方」は、ざっくり言うとこの 4 パターンです。 ===
INTELLECT-3 の「使い方」は、ざっくり言うとこの 4 パターンです。
# ブラウザで触る（お試し）
# API 経由でアプリから呼ぶ
# ローカル or 自前サーバで推論サーバとして動かす
# prime-rl / verifiers を使って自分のモデルをポストトレーニングする

順番に整理します。

==== 公式サイトからそのままチャットできます。 ====
* Prime Intellect のトップに “CHAT WITH INTELLECT-3” へのリンクがあり、ブラウザ上のチャット UI で対話可能。primeintellect.ai<ref>{{cite web|title=primeintellect.ai|url=https://www.primeintellect.ai/|publisher=primeintellect.ai|access-date=2025-11-29}}</ref>

これは単に「使い心地を見る」「数学・コード・推論の感触を確かめる」用途向けです。

==== ### ====

Prime Intellect 自身が API を提供しており、
OpenAI 互換のエンドポイント形式 で叩けるようになっています（メソッドや JSON 形式がほぼ同じ）。apidog<ref>{{cite web|title=apidog|url=https://apidog.com/blog/intellect-3-api/|publisher=apidog.com|access-date=2025-11-29}}</ref>

典型的な使い方の流れ：
# Prime Intellect のアカウントを作成し API キーを取得
# OpenAI 互換のクライアント（公式 SDK や openai パッケージなど）で base_url と api_key だけ Prime Intellect 用に差し替える
# model: "intellect-3" のように指定して messages を投げる

例（疑似コード）：

<syntaxhighlight lang="python">from openai import OpenAI

client = OpenAI(
    base_url="https://api.primeintellect.ai/v1",  # 仮の例
    api_key="YOUR_PRIME_INTELLECT_API_KEY",
)

resp = client.chat.completions.create(
    model="intellect-3",
    messages=[
        {"role": "user", "content": "整数論のこの証明を手伝って"},
    ],
    max_tokens=2048,
    temperature=0.2,
)
print(resp.choices[0].message.content)

</syntaxhighlight>

※ 正確な base_url やモデル名は Prime Intellect 側のドキュメント/ダッシュボードで確認する必要があります。apidog<ref>{{cite web|title=apidog|url=https://apidog.com/blog/intellect-3-api/|publisher=apidog.com|access-date=2025-11-29}}</ref>

===== - OpenRouter に <code>prime-intellect/intellect-3</code> として登録されており、 OpenRouter の API キーで他モデルと同様に呼べます。OpenRouter<ref>{{cite web|title=OpenRouter|url=https://openrouter.ai/prime-intellect/intellect-3|publisher=openrouter.ai|access-date=2025-11-29}}</ref> =====

特徴：
* 既に OpenRouter を使っている場合、同じエンドポイントでモデル名だけ差し替えればよい。
* いろいろなモデルを横断して比較するときに便利。

==== ### ====
* モデルカード：PrimeIntellect/INTELLECT-3Hugging Face<ref>{{cite web|title=Hugging Face|url=https://huggingface.co/PrimeIntellect/INTELLECT-3|publisher=Hugging Face|access-date=2025-11-29}}</ref>
* BF16 版と FP8 版があり、さらに 8bit/4bit など複数の量子化モデルもコレクションとして公開されています。Hugging Face<ref>{{cite web|title=Hugging Face|url=https://huggingface.co/collections/PrimeIntellect/intellect-3|publisher=Hugging Face|access-date=2025-11-29}}</ref>

ライセンスは MIT / Apache2 系で、商用利用を含めかなり緩い条件。Hugging Face<ref>{{cite web|title=Hugging Face|url=https://huggingface.co/PrimeIntellect/INTELLECT-3|publisher=Hugging Face|access-date=2025-11-29}}</ref>

===== Hugging Face のモデルカードに、vLLM 用の起動例が掲載されています。Hugging Face<ref>{{cite web|title=Hugging Face|url=https://huggingface.co/PrimeIntellect/INTELLECT-3|publisher=Hugging Face|access-date=2025-11-29}}</ref> =====
* BF16 版（2× H200）：

<syntaxhighlight lang="bash">vllm serve PrimeIntellect/INTELLECT-3 \
  --tensor-parallel-size 2 \
  --enable-auto-tool-choice \
  --tool-call-parser qwen3_coder \
  --reasoning-parser deepseek_r1

</syntaxhighlight>
* FP8 版（1× H200）：

<syntaxhighlight lang="bash">vllm serve PrimeIntellect/INTELLECT-3-FP8 \
  --enable-auto-tool-choice \
  --tool-call-parser qwen3_coder \
  --reasoning-parser deepseek_r1

</syntaxhighlight>

ポイント：
* 107B パラメータ MoE（アクティブ ~12B） なので、それなりに GPU が必要。
* 公式例では H200 を想定していますが、 Hugging Face 側の量子化モデルを使えば小さめの GPU（A100 80G 相当など）でも現実的になります。Hugging Face<ref>{{cite web|title=Hugging Face|url=https://huggingface.co/PrimeIntellect/INTELLECT-3|publisher=Hugging Face|access-date=2025-11-29}}</ref>
* vLLM を立ててしまえば、あとは OpenAI 互換の HTTP API として どのクライアントからも使えます。

==== INTELLECT-3 の大きな売りは、'''「中身の RL スタックごと全部オープン」'''な点です。 ====

===== - INTELLECT-3 自体が、 GLM-4.5-Air-Base → SFT → RL（prime-rl） というレシピで訓練されています。Hugging Face<ref>{{cite web|title=Hugging Face|url=https://huggingface.co/PrimeIntellect/INTELLECT-3|publisher=Hugging Face|access-date=2025-11-29}}</ref> =====
* 同じ prime-rl を使って、 自前データや独自環境で 自分のモデルを RL で強化することが可能。

おおまかな流れ：
# prime-rl / 関連パッケージをインストール
# ベースモデル（GLM-4.5-Air か、自前モデル）を用意
# verifiers / Environments Hub から環境を選ぶ or 自作する
# prime-rl の設定ファイルで - どの環境を使うか - 報酬設計 - ロールアウト長・バッチサイズ などを指定して学習ジョブを走らせる

INTELLECT-3 のテクニカルレポートには、
非同期オフポリシー学習・連続バッチング・in-flight weight update など
prime-rl の実装詳細がかなり丁寧に書かれているので、それを参考に自前トレーニング設計を詰めていく形です。storage.googleapis.com<ref>{{cite web|title=storage.googleapis.com|url=https://storage.googleapis.com/intellect-3-paper/INTELLECT_3_Technical_Report.pdf|publisher=storage.googleapis.com|access-date=2025-11-29}}</ref>

===== - GitHub: PrimeIntellect-ai/verifiersGitHub<ref>{{cite web|title=GitHub|url=https://github.com/PrimeIntellect-ai/verifiers|publisher=github.com|access-date=2025-11-29}}</ref> =====
* Environments Hub に、数学・コード・科学・推論・ディープリサーチなどの環境がまとまっていて、 verifiers ライブラリを通じて prime-rl から呼び出せます。primeintellect.ai<ref>{{cite web|title=primeintellect.ai|url=https://www.primeintellect.ai/blog/intellect-3|publisher=primeintellect.ai|access-date=2025-11-29}}</ref>

CLI の典型的な使い方（概要）：
# uv tool install prime で CLI を入れる
# prime login で認証
# 自作環境をパッケージ化して prime env push で Hub に公開
# 学習用ノード側では prime env install owner/name で環境を取得

こうして 環境をコードとしてバージョン管理しつつ、複数のモデル・実験から再利用できます。

===== - HF コレクションには INTELLECT-3-RL Viewer / INTELLECT-3-SFT Viewer が含まれ、 どういうタスク・報酬で学習したかを可視化したスペースが公開されています。Hugging Face<ref>{{cite web|title=Hugging Face|url=https://huggingface.co/collections/PrimeIntellect/intellect-3|publisher=Hugging Face|access-date=2025-11-29}}</ref> =====

これを読むと、
* どのカテゴリの環境がどれくらい効いていそうか
* 学習中にベンチマークスコアがどう立ち上がっているか

などが分かるので、自分で RL 設計するときのかなり具体的な参考資料になります。

==== - 単に使う（推論） - Web UI で試す - OpenRouter 経由で他モデルと並べて試す - 自前 vLLM サーバとして立てて、OpenAI 互換 API で統合 ====
* プロダクトに組み込む - Prime Intellect のネイティブ API（レイテンシ・性能重視） - OpenRouter 経由（マルチモデル統合・課金一本化）
* 研究・自作モデル強化に使う - prime-rl＋verifiers＋Environments Hub で、 GLM-4.5-Air や自前モデルに同種の RL レシピを適用 - INTELLECT-3 のテクニカルレポートや Viewer を見ながら エージェント的 RL のスケーリング設計をコピー & 変形する

こういう層構造になっているイメージです。