NVIDIA: Nemotron 3.5 Super VL

NVIDIA Nemotron 3.5 Super VL ist ein offenes multimodales Mixture-of-Experts-Modell von NVIDIA. Es hat 12B aktive Parameter von insgesamt 120B, sodass pro Token nur ein Bruchteil des Netzwerks aktiviert wird, während das vollständige Modell eine breite Kapazität behält. Es ist auf api14 unter der Kategorie Text gelistet, und das Veröffentlichungsdatum des Anbieters ist der 2026-10-15.

Das Modell akzeptiert Text, Bilder und Video als Eingabe und gibt Text zurück. Diese Kombination deckt Dokumente, GUI-Screenshots und Video neben gewöhnlichen Prompts ab, sodass eine einzelne Anfrage geschriebene Anweisungen mit visuellem Material mischen kann. Das Kontextfenster beträgt 1,048,576 Token, und die maximale Ausgabe beträgt 235,929 Token. Lange Eingaben sind daher praktikabel: Multi-Dokument-Pakete, längere Screenshot-Sequenzen oder langer aus Video abgeleiteter Kontext passen ohne aggressives Kürzen hinein, und die große Ausgabeobergrenze eignet sich für Aufgaben, die ein umfangreiches schriftliches Ergebnis statt einer kurzen Antwort erfordern.

Diese Fähigkeiten deuten auf einige konkrete Anwendungen hin. Screenshot-Verständnis passt naturally zu GUI-Agenten, Interface-Tests und Support-Workflows, bei denen die Eingabe ein Bild eines Bildschirms statt strukturierter Daten ist. Dokumentenverarbeitung eignet sich für Extraktion, Zusammenfassung und Fragebeantwortung über gescannte oder layoutlastige Dateien. Videoeingabe unterstützt Beschreibung, Fragen auf Zeitleisten-Ebene und Inhaltsprüfung. Da das Modell auch reinen Text verarbeitet, kann es als einzelner Endpunkt für Pipelines dienen, die andernfalls Vision- und Spracharbeit auf zwei Systeme aufteilen würden.

Sie rufen es über die OpenAI-kompatible API von api14 mit der Modell-ID "nvidia/nemotron-3.5-super-vl" auf. Die unterstützten Anfrageparameter sind frequency_penalty, include_reasoning, logit_bias, logprobs, max_tokens, min_p, presence_penalty, reasoning, repetition_penalty, response_format, seed, stop, structured_outputs, temperature, tool_choice, tools, top_k, top_logprobs und top_p. Tool-Aufruf und strukturierte Ausgaben sind beide verfügbar, was wichtig ist, wenn das Modell in einer Agentenschleife sitzt oder maschinenlesbare Ergebnisse ausgeben muss. Reasoning kann angefordert und über include_reasoning sichtbar gemacht werden, und das Sampling kann mit den üblichen Einstellungen temperature, top_p, top_k und Penalty-Einstellungen abgestimmt werden.

Die wichtigste Einschränkung, die Sie beachten sollten, ist, dass die Ausgabe nur Text ist, sodass das Modell keine Bilder oder Videos generieren kann. Wenn Ihre Aufgabe rein textbasiert ist und nicht von visueller Eingabe profitiert, kann ein kleineres textbasiertes Modell einfacher und schneller zu betreiben sein. Wenn Sie Bild- oder Videogenerierung statt -verständnis benötigen, ist dieses Modell nicht die richtige Wahl. Für gemischtes Text-, Bild- und Videoverständnis mit einem sehr großen Kontext ist es eine vernünftige Standardwahl.