A NVIDIA lançou os pesos do modelo Nemotron 3.5 Super VL em 15 de outubro. O modelo de visão e linguagem aceita texto, imagens e fotogramas de vídeo amostrados e produz texto. Os desenvolvedores podem usá-lo como componente de raciocínio de um agente que lê um documento ou imagem, chama uma ferramenta e continua a partir do resultado. O lançamento fornece um artefato do modelo e instruções de disponibilização; não estabelece a confiabilidade de um agente desse tipo em um local de trabalho concreto.

A grande mudança

  • O que mudou: A NVIDIA lançou um modelo pós-treinado que combina entrada visual, raciocínio textual e uso de ferramentas em um só conjunto de pesos. A saída documentada é texto, por isso uma aplicação continua a fornecer as ferramentas e a decidir o que o modelo pode fazer.
  • Por que importa: Um desenvolvedor de fluxos de documentos ou vídeo pode avaliar um só modelo sobre evidência visual e chamadas de ferramentas posteriores, em vez de tratar a interpretação visual como uma etapa isolada. O benefício depende dos resultados com os seus próprios materiais e permissões.
  • O que acompanhar: As receitas publicadas permitem a avaliação, mas o guia de treinamento da NVIDIA diz que alguns dados e componentes de pós-treinamento continuam indisponíveis. Resultados independentes para tarefas específicas dirão mais sobre a utilidade do modelo do que apenas as comparações de lançamento.

O que a NVIDIA lançou

A ficha do modelo BF16 identifica o checkpoint pós-treinado como versão 1.0 GA e data o lançamento no Hugging Face de 15 de outubro. A NVIDIA publicou também um checkpoint quantizado NVFP4 para inferência mais compacta. O modelo tem 120 bilhões de parâmetros no total, com cerca de 12 bilhões ativos por token. A página de pesquisa da NVIDIA surgiu em 14 de outubro e descreve os modelos Super e Lightning mais abrangentes; essa publicação de pesquisa anterior é distinta do lançamento dos pesos em 15 de outubro.

As fichas indicam como licença OpenMDW 1.1 e dizem que os checkpoints estão prontos para uso comercial e não comercial sob esses termos. Os pesos BF16 destinam-se a personalização e avaliação com precisão completa; a variante NVFP4 destina-se a disponibilização mais eficiente. A receita de treinamento da NVIDIA também enumera pesos base, dados e receitas, mas alerta que os dados de ajuste fino supervisionado e aprendizado por reforço usados no Super 3.5 ainda não foram publicados. Algumas fases de modelos professores e de raciocínio visual dependem de componentes que não são públicos. Por isso, os materiais publicados não permitem reproduzir integralmente a execução de treinamento da NVIDIA.

Como um agente pode usá-lo

A NVIDIA documenta como entradas texto, imagens JPEG ou PNG e vídeo MP4 até dois minutos. Os documentos podem ser fornecidos como imagens de páginas com texto de acompanhamento. A saída é uma cadeia de texto, que pode conter uma resposta ou uma chamada de ferramenta a tratar pela aplicação. Os exemplos de API da ficha mostram um endpoint de conversação compatível com OpenAI, disponibilizado localmente com vLLM, incluindo exemplos de imagens, vídeo e chamadas de ferramentas. É uma interface para desenvolvedores, não um produto concluído de processamento documental ou resposta a incidentes.

A publicação de lançamento da NVIDIA descreve extração de documentos, interpretação de gráficos e revisão de vídeo como aplicações previstas. Diz que a Ramp converte imagens de recibos em JSON estruturado e espera uma taxa de processamento até 50% maior e latência dez vezes inferior. A NVIDIA diz que a Scale AI fez o pós-treinamento do modelo para processar créditos de fornecedores na Skydance, com uma previsão de custo de inferência 40 vezes inferior e latência cinco vezes inferior nessa carga. São afirmações e expectativas de parceiros específicos no relato da NVIDIA, não resultados medidos pela BIG CHANGE nem prova de que uma implementação geral obtenha os mesmos ganhos.

Hardware, custo e limites

A ficha BF16 fornece configurações vLLM para quatro GPU H100 ou dois GPU GB200. A ficha NVFP4 enumera configurações mais compactas, incluindo um único DGX Spark para texto e imagens e um único H200 ou GB200 para texto, imagens e vídeo. É especificado um contexto máximo de um milhão de tokens, embora as fichas avisem que receitas de disponibilização individuais podem usar uma janela de contexto menor para se ajustarem à memória GPU e à concorrência disponíveis. A receita de vídeo amostra fotogramas, em vez de processar filmagens sem restrições; os exemplos começam com clipes de um a dois minutos.

Os pesos têm termos de licença, mas executá-los ainda exige capacidade de GPU e software adequados. As fichas citadas não dão um preço único em dólares para inferência hospedada pelo próprio usuário, e o link de acesso hospedado na publicação da NVIDIA não apresentava um preço público nesta análise. O custo dependerá do hardware ou fornecedor escolhido e da carga real. A NVIDIA comunica resultados fortes de benchmark e taxa de processamento, incluindo uma comparação de taxa de processamento até cinco vezes superior em uma só GPU na publicação de lançamento. A comparação depende do endpoint, da carga e das referências indicados; não é uma medição do custo ou da velocidade da aplicação do leitor.

Os desenvolvedores que avaliem o lançamento devem testar os próprios documentos, clipes, permissões de ferramentas e tratamento de erros antes de dar autoridade operacional a um agente. A própria ficha da NVIDIA pede testes de sistema específicos do caso de uso. A BIG CHANGE revisou os artefatos e a documentação publicados, mas não executou o modelo.

Fontes e leituras adicionais

  • Blog técnico da NVIDIA, 15 de outubro: relato de lançamento, usos propostos, afirmações de parceiros e comparações de taxa de processamento do fornecedor. As projeções dos parceiros e os benchmarks da NVIDIA estão atribuídos acima.
  • Página de pesquisa NVIDIA Nemotron, 14 de outubro: descreve a família de modelos mais ampla, o relatório de pesquisa e os checkpoints ligados. A data de publicação precede a data de lançamento das fichas.
  • Ficha do modelo BF16 e ficha do modelo NVFP4, ambas de 15 de outubro: versão, licença, entradas e saída, exemplos de disponibilização e configurações de hardware. As fichas são documentação da própria NVIDIA, não testes de campo independentes.
  • Receita de treinamento da NVIDIA: distingue os checkpoints e receitas lançados dos dados e componentes de pós-treinamento ainda a aguardar publicação.