NVIDIA: Nemotron 3.5 Super VL

NVIDIA Nemotron 3.5 Super VL adalah model multimodal mixture-of-experts terbuka dari NVIDIA. Model ini memiliki 12B parameter aktif dari total 120B, sehingga hanya sebagian dari jaringan yang digunakan per token sementara model penuh tetap mempertahankan kapasitas yang luas. Model ini terdaftar di api14 dalam kategori text, dan tanggal rilis penyedia adalah 2026-10-15.

Model ini menerima teks, gambar, dan video sebagai input, dan mengembalikan teks. Kombinasi tersebut mencakup dokumen, screenshot GUI, dan video bersama prompt biasa, sehingga satu permintaan dapat mencampur instruksi tertulis dengan materi visual. Context window-nya adalah 1.048.576 token, dan output maksimumnya adalah 235.929 token. Input panjang karena itu praktis: kumpulan multi-dokumen, urutan screenshot yang panjang, atau konteks panjang yang berasal dari video dapat muat tanpa pemangkasan agresif, dan batas output yang besar cocok untuk tugas yang membutuhkan hasil tertulis substansial alih-alih jawaban singkat.

Kemampuan tersebut mengarah ke beberapa penggunaan konkret. Pemahaman screenshot sangat cocok untuk agen GUI, pengujian antarmuka, dan alur kerja dukungan di mana inputnya adalah gambar layar alih-alih data terstruktur. Penanganan dokumen cocok untuk ekstraksi, peringkasan, dan tanya jawab atas file hasil pemindaian atau file dengan tata letak yang rumit. Input video mendukung deskripsi, pertanyaan tingkat timeline, dan peninjauan konten. Karena model ini juga menangani teks biasa, model ini dapat berfungsi sebagai satu endpoint untuk pipeline yang jika tidak demikian harus memisahkan pekerjaan visi dan bahasa ke dua sistem.

Anda memanggilnya melalui API yang kompatibel dengan OpenAI dari api14 menggunakan model id "nvidia/nemotron-3.5-super-vl". Parameter permintaan yang didukung adalah 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, dan top_p. Tool calling dan structured outputs keduanya tersedia, yang penting jika model berada di dalam loop agen atau perlu mengeluarkan hasil yang dapat dibaca mesin. Reasoning dapat diminta dan ditampilkan melalui include_reasoning, dan sampling dapat disetel dengan pengaturan temperature, top_p, top_k, dan penalty yang biasa.

Batasan utama yang perlu diingat adalah output hanya berupa teks, sehingga model tidak dapat menghasilkan gambar atau video. Jika tugas Anda sepenuhnya teks dan tidak mendapat manfaat dari input visual, model teks saja yang lebih kecil mungkin lebih sederhana dan lebih cepat dioperasikan. Jika Anda membutuhkan pembuatan gambar atau video alih-alih pemahaman, model ini bukan pilihan yang tepat. Untuk pemahaman campuran teks, gambar, dan video dengan konteks yang sangat besar, model ini adalah default yang wajar.