NVIDIA: Nemotron 3.5 Super VL

NVIDIA Nemotron 3.5 Super VL は、NVIDIA によるオープンなマルチモーダル mixture-of-experts モデルです。総パラメータ 120B のうち 12B がアクティブパラメータであるため、トークンごとにネットワークの一部のみが使用されますが、モデル全体としては広い容量を保持します。api14 の text カテゴリに掲載されており、プロバイダーのリリース日は 2026-10-15 です。

このモデルはテキスト、画像、動画を入力として受け取り、テキストを返します。この組み合わせにより、通常のプロンプトに加えてドキュメント、GUI スクリーンショット、動画を扱えるため、1 回のリクエストで文章による指示と視覚的な素材を混在させることができます。コンテキストウィンドウは 1,048,576 トークン、最大出力は 235,929 トークンです。したがって、長い入力も実用的です。複数ドキュメントの束、長いスクリーンショットの連続、動画から得られる長いコンテキストなどを、大幅な切り詰めなしに収めることができ、大きな出力上限は短い回答ではなく実質的な文章結果を必要とするタスクに適しています。

これらの機能は、いくつかの具体的な用途を示しています。スクリーンショット理解は、入力が構造化データではなく画面の画像である GUI エージェント、インターフェーステスト、サポートワークフローに自然に適合します。ドキュメント処理は、スキャンされたファイルやレイアウトが複雑なファイルに対する抽出、要約、質問応答に適しています。動画入力は、説明、タイムライン単位の質問、コンテンツレビューを支えます。また、このモデルはプレーンテキストも扱えるため、本来なら視覚と言語の処理を 2 つのシステムに分割するようなパイプラインに対して、単一のエンドポイントとして機能できます。

呼び出しは api14 の OpenAI 互換 API を通じて、モデル id "nvidia/nemotron-3.5-super-vl" を使用して行います。サポートされるリクエストパラメータは、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、top_p です。ツール呼び出しと構造化出力の両方が利用可能であり、これはモデルがエージェントループ内に置かれる場合や、機械可読な結果を出力する必要がある場合に重要です。推論は要求でき、include_reasoning を通じて表出させることができ、サンプリングは通常の temperature、top_p、top_k、各種ペナルティ設定で調整できます。

留意すべき主な制約は、出力がテキストのみであるため、モデルは画像や動画を生成できないことです。タスクが純粋にテキストであり、視覚入力を活用しないのであれば、より小さなテキスト専用モデルのほうが運用が簡単で高速な場合があります。理解ではなく画像や動画の生成が必要な場合、このモデルは適していません。非常に大きなコンテキストを伴うテキスト、画像、動画の混合理解が必要な場合には、妥当なデフォルト選択です。