NVIDIA: Nemotron 3.5 Super VL (free)

Nemotron 3.5 Super VL adalah model multimodal mixture-of-experts terbuka dari NVIDIA. Model ini termasuk dalam keluarga Nemotron dan diposisikan sebagai model vision-language, dengan 12B parameter aktif dari total 120B. Di api14 model ini terdaftar dengan model id nvidia/nemotron-3.5-super-vl:free dan kategori utamanya adalah text, dengan text sebagai satu-satunya tag kategori. Tanggal rilis dari provider adalah 2026-10-15.

Model ini menerima text, image, dan video sebagai input, dan menghasilkan text sebagai output. Context window-nya adalah 1.000.000 token, dan panjang output maksimumnya adalah 131.072 token. Karena desainnya mixture-of-experts dengan jumlah parameter aktif yang relatif kecil, model ini dibuat untuk menangani input multimodal berukuran besar tanpa mengaktifkan seluruh set parameter pada setiap token. Kombinasi context yang sangat besar serta input image dan video berarti satu request dapat membawa dokumen panjang, screenshot, atau video bersama prompt.

Kemampuan tersebut mengarah ke beberapa use case praktis. Pemahaman dokumen dan screenshot adalah kecocokan alami: Anda dapat mengirim halaman hasil scan, PDF yang dirender sebagai image, atau screenshot GUI lalu meminta ekstraksi, ringkasan, atau tanya jawab atasnya. Input video mendukung tugas seperti mendeskripsikan rekaman, menjawab pertanyaan tentang peristiwa dalam klip, atau menarik data terstruktur dari sesi yang direkam. Context panjang berguna ketika materinya besar, misalnya laporan panjang plus beberapa image, atau transkrip panjang yang perlu tetap berada dalam satu request. Tool calling dan structured outputs membuatnya dapat dipakai sebagai langkah reasoning di dalam agent atau pipeline ekstraksi data.

Anda memanggilnya melalui API yang kompatibel dengan OpenAI dari api14 menggunakan model id "nvidia/nemotron-3.5-super-vl:free". Parameter request yang didukung adalah include_reasoning, max_tokens, reasoning, response_format, seed, structured_outputs, temperature, tool_choice, tools, dan top_p. Dalam praktiknya itu berarti Anda dapat mengontrol sampling dengan temperature dan top_p, membatasi balasan dengan max_tokens, membuat eksekusi dapat direproduksi dengan seed, meminta output JSON atau yang dibatasi schema melalui response_format dan structured_outputs, serta mengekspos function ke model dengan tools dan tool_choice. Parameter reasoning dan include_reasoning memungkinkan Anda menyalakan atau mematikan perilaku reasoning dan menentukan apakah konten reasoning dikembalikan.

Satu hal yang perlu diingat adalah outputnya hanya text, jadi model ini tidak akan menghasilkan image atau video. Jika tugas Anda sepenuhnya text dan tidak membutuhkan vision, model khusus text mungkin lebih sederhana, tetapi untuk input campuran text, image, dan video dengan context yang sangat besar, model ini mencakup kebutuhan tersebut secara langsung.