NVIDIA: Nemotron 3.5 Super VL

NVIDIA Nemotron 3.5 Super VL est un modèle multimodal ouvert de type mélange d'experts de NVIDIA. Il compte 12B de paramètres actifs sur 120B au total, donc seule une fraction du réseau est sollicitée par token tandis que le modèle complet conserve une large capacité. Il est répertorié sur api14 dans la catégorie texte, et la date de publication du fournisseur est le 2026-10-15.

Le modèle accepte le texte, les images et la vidéo en entrée, et il renvoie du texte. Cette combinaison couvre les documents, les captures d'écran d'interface graphique et la vidéo aux côtés de prompts ordinaires, donc une seule requête peut mélanger des instructions écrites avec du contenu visuel. La fenêtre de contexte est de 1 048 576 tokens, et la sortie maximale est de 235 929 tokens. Les entrées longues sont donc pratiques : des lots multi-documents, des séquences étendues de captures d'écran ou un long contexte dérivé de vidéo peuvent tenir sans troncature agressive, et le plafond de sortie élevé convient aux tâches qui nécessitent un résultat écrit substantiel plutôt qu'une réponse courte.

Ces capacités indiquent quelques usages concrets. La compréhension de captures d'écran convient naturellement aux agents d'interface graphique, aux tests d'interface et aux flux de support où l'entrée est une image d'écran plutôt que des données structurées. Le traitement de documents convient à l'extraction, au résumé et aux questions-réponses sur des fichiers numérisés ou à mise en page complexe. L'entrée vidéo prend en charge la description, les questions au niveau de la chronologie et la revue de contenu. Comme le modèle traite aussi le texte brut, il peut servir de point de terminaison unique pour des pipelines qui, sinon, répartiraient le travail de vision et de langage sur deux systèmes.

Vous l'appelez via l'API compatible OpenAI d'api14 en utilisant l'identifiant de modèle "nvidia/nemotron-3.5-super-vl". Les paramètres de requête pris en charge sont 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 et top_p. L'appel d'outils et les sorties structurées sont tous deux disponibles, ce qui compte si le modèle s'insère dans une boucle d'agent ou doit émettre des résultats lisibles par machine. Le raisonnement peut être demandé et exposé via include_reasoning, et l'échantillonnage peut être ajusté avec les réglages habituels temperature, top_p, top_k et de pénalité.

La principale contrainte à garder en tête est que la sortie est uniquement du texte, donc le modèle ne peut pas générer d'images ni de vidéos. Si votre tâche est purement textuelle et ne tire pas profit d'une entrée visuelle, un modèle plus petit et uniquement textuel peut être plus simple et plus rapide à exploiter. Si vous avez besoin de génération d'images ou de vidéos plutôt que de compréhension, ce modèle n'est pas adapté. Pour la compréhension mixte de texte, d'images et de vidéos avec un très grand contexte, c'est un choix par défaut raisonnable.