Nvidia öffnet Nemotron 3.5 Super VL: Agenten-Modell versteht Bilder, Dokumente und Videos
Das offene Modell hat 120 Milliarden Parameter, von denen pro Token nur rund 12 Milliarden arbeiten. Nvidia verspricht bis zu fünfmal mehr Durchsatz auf einer einzigen GPU.
Foto: Coolcaesar / Wikimedia Commons, CC BY-SA 4.0 (zugeschnitten und skaliert)
Video: YouTube · NVIDIA Developer · youtube.com
Nvidia hat am Donnerstag Nemotron 3.5 Super VL veröffentlicht, ein offenes multimodales Modell für KI-Agenten. Es verarbeitet Text, Bilder, Dokumente und Videos und soll schlussfolgern, Anweisungen befolgen und Werkzeuge bedienen. Als Mixture-of-Experts-Modell hat es 120 Milliarden Parameter, pro Token sind rund 12 Milliarden aktiv. Laut dem Fachportal MarkTechPost fasst das Kontextfenster bis zu eine Million Token; Videos nimmt das Modell als MP4-Clips von bis zu zwei Minuten an.
Nvidia nennt bis zu fünfmal höheren Agenten-Durchsatz auf einer einzelnen GPU als bei offenen Modellen derselben Größenklasse. Im Diagramm-Test CharXiv kommt das Modell nach Konzernangaben auf 80,8 Prozent, der kleinere Vorgänger Nemotron 3 Nano Omni auf 63 Prozent. Es handelt sich um Herstellerangaben; unabhängige Vergleiche stehen noch aus.
Die Gewichte stehen auf Hugging Face und ModelScope bereit, dazu Trainingsrezepte, Datensätze und Trainingsumgebungen für bestärkendes Lernen. Die komprimierte NVFP4-Fassung läuft laut MarkTechPost etwa auf einem einzelnen DGX Spark oder einer H200-Karte. Nutzbar ist das Modell auch über OpenRouter sowie die Cloud-Dienste von Amazon, Google, Microsoft und Oracle.