NVIDIA: Nemotron 3.5 Super VL

NVIDIA Nemotron 3.5 Super VL è un modello multimodale mixture-of-experts open di NVIDIA. Ha 12B parametri attivi su 120B totali, quindi solo una frazione della rete viene attivata per token mentre il modello completo mantiene un'ampia capacità. È elencato su api14 nella categoria text, e la data di rilascio del provider è 2026-10-15.

Il modello accetta testo, immagini e video come input, e restituisce testo. Questa combinazione copre documenti, screenshot di GUI e video insieme a prompt ordinari, quindi una singola richiesta può mescolare istruzioni scritte con materiale visivo. La finestra di contesto è di 1.048.576 token, e l'output massimo è di 235.929 token. Gli input lunghi sono quindi praticabili: bundle multi-documento, sequenze estese di screenshot o un lungo contesto derivato da video possono rientrare senza tagli aggressivi, e il grande limite di output si adatta a compiti che richiedono un risultato scritto sostanziale anziché una risposta breve.

Queste capacità indicano alcuni usi concreti. La comprensione degli screenshot è adatta naturalmente ad agenti GUI, test di interfacce e flussi di supporto in cui l'input è un'immagine di uno schermo anziché dati strutturati. La gestione dei documenti si adatta a estrazione, riepilogo e question answering su file scansionati o con layout complesso. L'input video supporta descrizione, domande a livello di timeline e revisione dei contenuti. Poiché il modello gestisce anche testo semplice, può servire come endpoint unico per pipeline che altrimenti dividerebbero il lavoro di visione e linguaggio su due sistemi.

Lo si chiama tramite l'API compatibile con OpenAI di api14 usando il model id "nvidia/nemotron-3.5-super-vl". I parametri di richiesta supportati sono 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 e top_p. Il tool calling e gli structured outputs sono entrambi disponibili, il che conta se il modello si trova all'interno di un loop di agenti o deve emettere risultati leggibili dalla macchina. Il reasoning può essere richiesto e reso visibile tramite include_reasoning, e il campionamento può essere regolato con le consuete impostazioni temperature, top_p, top_k e di penalità.

Il vincolo principale da tenere a mente è che l'output è solo testo, quindi il modello non può generare immagini o video. Se il tuo compito è puramente testuale e non trae vantaggio da input visivo, un modello più piccolo solo testo può essere più semplice e veloce da gestire. Se hai bisogno di generazione di immagini o video anziché di comprensione, questo modello non è adatto. Per la comprensione mista di testo, immagini e video con un contesto molto ampio, è un default ragionevole.