Inilabas ng NVIDIA ang Nemotron 3.5 Super VL weights para sa mga multimodal agent

Inilabas ng NVIDIA ang Nemotron 3.5 Super VL model weights noong Oktubre 15. Tumatanggap ang vision-language model ng teksto, larawan at mga frame na sinampol mula sa video, at gumagawa ng teksto. Maaari itong gamitin ng mga developer bilang bahagi ng pangangatwiran ng isang agent na bumabasa ng dokumento o larawan, tumatawag ng tool at nagpapatuloy batay sa resulta. Nagbibigay ang release ng model artifact at mga tagubilin sa serving; hindi nito pinatutunayan kung gaano kaaasahan ang gayong agent sa isang partikular na lugar ng trabaho.

Ang malaking pagbabago

• Ano ang nagbago: Naglabas ang NVIDIA ng modelong sumailalim sa post-training at pinagsasama sa iisang set ng weights ang visual input, pangangatwiran sa teksto at paggamit ng tool. Teksto ang dokumentadong output nito, kaya ang application pa rin ang nagbibigay ng mga tool at nagpapasya kung ano ang maaaring gawin ng modelo.
• Bakit mahalaga: Maaaring suriin ng developer ng mga daloy para sa dokumento o video ang isang modelo sa visual na ebidensiya at kasunod na mga tool call, sa halip na gawing hiwalay na hakbang ang pag-unawa sa larawan. Nakasalalay ang pakinabang sa mga resulta gamit ang sarili niyang materyal at mga pahintulot.
• Ano ang dapat bantayan: Ginagawang posible ng mga inilabas na recipe ang pagsusuri, ngunit ayon sa gabay sa pagsasanay ng NVIDIA, hindi pa available ang ilang post-training data at component. Mas maraming masasabi ang mga independiyenteng resulta para sa partikular na gawain tungkol sa pakinabang ng modelo kaysa sa mga paghahambing sa paglulunsad lamang.

Ano ang inilabas ng NVIDIA

Ang BF16 model card ay naglalagay sa post-trained checkpoint ng bersiyong 1.0 GA at petsang Oktubre 15 para sa release nito sa Hugging Face. Nag-post din ang NVIDIA ng isang NVFP4 quantized checkpoint para sa mas siksik na inference. May kabuuang 120 bilyong parameter ang modelo, at humigit-kumulang 12 bilyon ang aktibo sa bawat token. Ang research page ng NVIDIA ay lumabas noong Oktubre 14 at naglalarawan sa mas malawak na Super at Lightning models; hiwalay ang mas naunang publikasyong pananaliksik na iyon sa paglabas ng weights noong Oktubre 15.

Nakalista sa mga card ang lisensiyang OpenMDW 1.1 at sinasabing handa ang mga checkpoint para sa komersiyal at di-komersiyal na paggamit sa ilalim ng mga tuntuning iyon. Nakatuon ang BF16 weights sa pag-customize at full-precision evaluation; ang NVFP4 variant naman sa mas mahusay na serving. Ang training recipe ng NVIDIA ay naglilista rin ng base weights, data at mga recipe, ngunit nagbababala na hindi pa inilalathala ang supervised fine-tuning at reinforcement-learning data na ginamit para sa Super 3.5. Nakasalalay ang ilang yugto ng teacher model at visual reasoning sa mga component na hindi pampubliko. Samakatuwid, hindi sapat ang inilabas na materyales upang ganap na maulit ang training run ng NVIDIA.

Paano ito magagamit ng isang agent

Dokumentado ng NVIDIA bilang input ang teksto, JPEG o PNG na larawan at MP4 video na hanggang dalawang minuto. Maaaring ibigay ang mga dokumento bilang larawan ng mga pahina na may kasamang teksto. Isang text string ang output, na maaaring may sagot o tool call na hahawakan ng application. Ang mga halimbawa ng API sa model card ay nagpapakita ng OpenAI-compatible na chat endpoint na lokal na sini-serve gamit ang vLLM, kasama ang mga halimbawa para sa larawan, video at pagtawag ng tool. Interface ito para sa mga developer, hindi isang tapos na produkto para sa pagproseso ng dokumento o pagtugon sa insidente.

Ang post sa paglulunsad ng NVIDIA ay naglalarawan ng pagkuha ng datos mula sa dokumento, pag-unawa sa chart at pagrepaso ng video bilang mga nilalayong aplikasyon. Sinasabi nitong ginagawang structured JSON ng Ramp ang mga larawan ng resibo at inaasahan ang hanggang 50% na mas mataas na throughput at sampung beses na mas mababang latency. Ayon sa NVIDIA, nagsagawa ang Scale AI ng post-training sa modelo para sa pagproseso ng vendor credit sa Skydance, na may inaasahang 40 beses na mas mababang inference cost at limang beses na mas mababang latency para sa workload na iyon. Mga claim at inaasahan ito ng partikular na mga partner sa salaysay ng NVIDIA, hindi mga resultang sinukat ng BIG CHANGE o patunay na makakamit ng pangkalahatang deployment ang parehong pakinabang.

Hardware, gastos at mga limitasyon

Nagbibigay ang BF16 card ng vLLM configuration para sa apat na H100 GPU o dalawang GB200 GPU. Naglilista ang NVFP4 card ng mas siksik na configuration, kasama ang iisang DGX Spark para sa teksto at larawan, at iisang H200 o GB200 para sa teksto, larawan at video. Nakatakda ang maximum context sa isang milyong token, bagaman nagbababala ang mga card na maaaring gumamit ang partikular na serving recipe ng mas maliit na context window upang magkasya sa available na GPU memory at concurrency. Nagsasampol ng mga frame ang video recipe sa halip na magproseso ng walang limitasyong footage; nagsisimula ang mga halimbawa sa mga clip na isa hanggang dalawang minuto.

May mga tuntunin sa lisensiya ang weights, ngunit kailangan pa rin ng angkop na GPU capacity at software para patakbuhin ang mga ito. Walang iisang presyong dolyar para sa self-hosted inference ang mga binanggit na model card, at walang ipinakitang pampublikong presyo ang hosted-access link sa post ng NVIDIA sa pagsusuring ito. Nakasalalay ang gastos sa napiling hardware o provider at aktuwal na workload. Nag-uulat ang NVIDIA ng malalakas na benchmark at throughput result, kasama ang paghahambing ng hanggang limang beses na throughput sa iisang GPU sa post nito. Depende ang paghahambing na iyon sa tinukoy na endpoint, workload at baseline; hindi ito sinukat na gastos o bilis para sa application ng mambabasa.

Dapat subukan ng mga developer na nagsusuri sa release ang sarili nilang dokumento, clip, pahintulot sa tool at paghawak ng error bago bigyan ng operasyonal na awtoridad ang agent. Ang mismong model card ng NVIDIA ay humihiling ng system testing na nakatuon sa partikular na gamit. Sinuri ng BIG CHANGE ang mga nailathalang artifact at dokumentasyon ngunit hindi nito pinatakbo ang modelo.

Mga sanggunian at karagdagang babasahin

• NVIDIA Technical Blog, Oktubre 15: salaysay ng paglulunsad, iminungkahing gamit, mga claim ng partner at paghahambing ng throughput ng vendor. Nakasaad sa itaas ang pinagmulan ng mga projection ng partner at benchmark ng NVIDIA.
• NVIDIA Nemotron research page, Oktubre 14: inilalarawan ang mas malawak na pamilya ng modelo, research report at mga naka-link na checkpoint. Mas nauna ang publikasyon nito sa petsa ng release ng mga model card.
• BF16 model card at NVFP4 model card, parehong may petsang Oktubre 15: bersiyon, lisensiya, input at output, halimbawa ng serving at hardware configuration. Sariling dokumentasyon ng NVIDIA ang mga card, hindi independiyenteng field test.
• NVIDIA training recipe: ibinubukod ang inilabas na mga checkpoint at recipe sa post-training data at component na naghihintay pa ng pampublikong release.