NVIDIA: Nemotron 3.5 Super VL

NVIDIA Nemotron 3.5 Super VL es un modelo multimodal abierto de mezcla de expertos de NVIDIA. Tiene 12B parámetros activos de 120B en total, por lo que solo una fracción de la red se activa por token mientras que el modelo completo conserva una amplia capacidad. Está listado en api14 bajo la categoría text, y la fecha de lanzamiento del proveedor es 2026-10-15.

El modelo acepta texto, imágenes y video como entrada, y devuelve texto. Esa combinación cubre documentos, capturas de pantalla de GUI y video junto con prompts ordinarios, por lo que una sola solicitud puede mezclar instrucciones escritas con material visual. La ventana de contexto es de 1,048,576 tokens, y la salida máxima es de 235,929 tokens. Las entradas largas son por lo tanto prácticas: paquetes de múltiples documentos, secuencias extendidas de capturas de pantalla o contexto largo derivado de video pueden caber sin recortes agresivos, y el gran límite de salida se adapta a tareas que necesitan un resultado escrito sustancial en lugar de una respuesta corta.

Esas capacidades apuntan a algunos usos concretos. La comprensión de capturas de pantalla encaja de forma natural con agentes de GUI, pruebas de interfaz y flujos de trabajo de soporte donde la entrada es una imagen de una pantalla en lugar de datos estructurados. El manejo de documentos se adapta a extracción, resumen y respuesta a preguntas sobre archivos escaneados o con diseños complejos. La entrada de video admite descripción, preguntas a nivel de línea de tiempo y revisión de contenido. Debido a que el modelo también maneja texto plano, puede servir como un único endpoint para pipelines que de otro modo dividirían el trabajo de visión y lenguaje entre dos sistemas.

Se llama a través de la API compatible con OpenAI de api14 usando el id de modelo "nvidia/nemotron-3.5-super-vl". Los parámetros de solicitud admitidos son 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 y top_p. Tanto el llamado a herramientas como las salidas estructuradas están disponibles, lo cual importa si el modelo se sitúa dentro de un bucle de agente o necesita emitir resultados legibles por máquina. El razonamiento se puede solicitar y mostrar mediante include_reasoning, y el muestreo se puede ajustar con los ajustes habituales de temperature, top_p, top_k y penalización.

La principal restricción a tener en cuenta es que la salida es solo texto, por lo que el modelo no puede generar imágenes ni video. Si tu tarea es puramente texto y no se beneficia de la entrada visual, un modelo más pequeño de solo texto puede ser más simple y rápido de operar. Si necesitas generación de imágenes o video en lugar de comprensión, este modelo no es el adecuado. Para comprensión mixta de texto, imagen y video con un contexto muy grande, es una opción predeterminada razonable.