NVIDIA: Nemotron 3.5 Super VL (free)

Nemotron 3.5 Super VL es un modelo multimodal abierto de mezcla de expertos de NVIDIA. Pertenece a la familia Nemotron y se posiciona como un modelo de visión y lenguaje, con 12B parámetros activos de 120B en total. En api14 aparece bajo el id de modelo nvidia/nemotron-3.5-super-vl:free y su categoría principal es texto, con texto como única etiqueta de categoría. La fecha de lanzamiento del proveedor es 2026-10-15.

El modelo acepta texto, imágenes y vídeo como entrada, y produce texto como salida. Su ventana de contexto es de 1,000,000 tokens, y la longitud máxima de salida es de 131,072 tokens. Debido a que es un diseño de mezcla de expertos con un número relativamente pequeño de parámetros activos, está construido para manejar grandes entradas multimodales sin activar el conjunto completo de parámetros en cada token. La combinación de un contexto muy grande y entrada de imágenes más vídeo significa que una sola solicitud puede transportar documentos largos, capturas de pantalla o vídeo junto con el prompt.

Esas capacidades apuntan a algunos casos de uso prácticos. La comprensión de documentos y capturas de pantalla encaja de forma natural: puedes enviar páginas escaneadas, PDFs renderizados como imágenes o capturas de pantalla de GUI y pedir extracción, resumen o respuesta a preguntas sobre ellos. La entrada de vídeo admite tareas como describir metraje, responder preguntas sobre eventos en un clip o extraer datos estructurados de sesiones grabadas. El contexto largo es útil cuando el material es grande, por ejemplo un informe extenso más varias imágenes, o una transcripción larga que necesita permanecer en una sola solicitud. El llamamiento a herramientas y las salidas estructuradas lo hacen utilizable como el paso de razonamiento dentro de un agente o una canalización de extracción de datos.

Lo llamas a través de la API compatible con OpenAI de api14 usando el id de modelo "nvidia/nemotron-3.5-super-vl:free". Los parámetros de solicitud admitidos son include_reasoning, max_tokens, reasoning, response_format, seed, structured_outputs, temperature, tool_choice, tools y top_p. En la práctica, eso significa que puedes controlar el muestreo con temperature y top_p, limitar la respuesta con max_tokens, hacer las ejecuciones reproducibles con seed, solicitar salida JSON o restringida por esquema mediante response_format y structured_outputs, y exponer funciones al modelo con tools y tool_choice. Los parámetros reasoning e include_reasoning te permiten activar o desactivar el comportamiento de razonamiento y decidir si se devuelve contenido de razonamiento.

Algo que debes tener en cuenta es que la salida es solo texto, por lo que el modelo no generará imágenes ni vídeo. Si tu tarea es puramente texto y no necesita visión, un modelo solo de texto puede ser más simple, pero para entrada mixta de texto, imagen y vídeo con un contexto muy grande, este modelo cubre ese terreno directamente.