Nvidia отвори Nemotron 3.5 Super VL: модел за агенти разбира снимки, документи и видео
Отвореният модел има 120 милиарда параметъра, от които за всеки токен работят само около 12 милиарда. Nvidia обещава до пет пъти по-висока производителност на един GPU.
Снимка: Coolcaesar / Wikimedia Commons, CC BY-SA 4.0 (изрязана и мащабирана)
Видео: YouTube · NVIDIA Developer · youtube.com
Nvidia пусна в четвъртък Nemotron 3.5 Super VL – отворен мултимодален модел за ИИ агенти. Той обработва текст, изображения, документи и видео и трябва да разсъждава, да следва инструкции и да работи с инструменти. Като модел тип Mixture-of-Experts той има 120 милиарда параметъра, като за всеки токен са активни около 12 милиарда. Според специализирания портал MarkTechPost контекстният прозорец побира до един милион токена; видео моделът приема като MP4 клипове с дължина до две минути.
Nvidia посочва до пет пъти по-висока производителност на агентите на един GPU в сравнение с отворени модели от същия клас. В теста за диаграми CharXiv моделът постига по данни на компанията 80,8%, а по-малкият предшественик Nemotron 3 Nano Omni – 63%. Това са данни на производителя; независими сравнения все още липсват.
Тегловните коефициенти са достъпни в Hugging Face и ModelScope, заедно с рецепти за обучение, набори от данни и среди за обучение с подкрепление. Компресираната версия NVFP4 работи според MarkTechPost например на един DGX Spark или на една карта H200. Моделът може да се ползва и чрез OpenRouter, както и чрез облачните услуги на Amazon, Google, Microsoft и Oracle.