NVIDIA: Nemotron 3.5 Super VL (free)

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。Nemotronファミリーに属し、視覚言語モデルとして位置づけられており、総パラメータ数120Bのうち12Bがアクティブパラメータです。api14ではモデルID nvidia/nemotron-3.5-super-vl:free で掲載されており、メインカテゴリはtextで、カテゴリタグはtextのみです。プロバイダーのリリース日は2026-10-15です。

このモデルは入力としてテキスト、画像、動画を受け付け、出力としてテキストを生成します。コンテキストウィンドウは1,000,000トークンで、最大出力長は131,072トークンです。Mixture-of-Experts設計でアクティブパラメータ数が比較的少ないため、すべてのトークンで全パラメータセットを有効化することなく、大規模なマルチモーダル入力に対応できるように作られています。非常に大きなコンテキストと画像および動画入力の組み合わせにより、1回のリクエストで長いドキュメント、スクリーンショット、動画をプロンプトと一緒に渡すことができます。

これらの機能は、いくつかの実用的なユースケースにつながります。ドキュメントやスクリーンショットの理解は自然な用途です。スキャンしたページ、画像としてレンダリングしたPDF、GUIのスクリーンショットを送信し、それらに対する抽出、要約、質問応答を依頼できます。動画入力は、映像の説明、クリップ内の出来事に関する質問への回答、録画セッションからの構造化データの抽出といったタスクをサポートします。長いコンテキストは、資料が大規模な場合に役立ちます。たとえば、長いレポートと複数の画像、あるいは1回のリクエスト内に保持する必要がある長い文字起こしなどです。ツール呼び出しと構造化出力により、エージェントやデータ抽出パイプライン内の推論ステップとして使用できます。

api14のOpenAI互換APIを通じて、モデルID "nvidia/nemotron-3.5-super-vl:free" を使用して呼び出します。サポートされているリクエストパラメータは、include_reasoning、max_tokens、reasoning、response_format、seed、structured_outputs、temperature、tool_choice、tools、top_pです。実際には、temperatureとtop_pでサンプリングを制御し、max_tokensで応答を制限し、seedで実行を再現可能にし、response_formatとstructured_outputsを通じてJSONまたはスキーマ制約付き出力を要求し、toolsとtool_choiceでモデルに関数を公開できます。reasoningパラメータとinclude_reasoningパラメータにより、推論動作を有効または無効にし、推論コンテンツを返すかどうかを決められます。

留意すべき点の1つは、出力はテキストのみであるため、モデルは画像や動画を生成しないことです。タスクが純粋にテキストで視覚を必要としない場合、テキスト専用モデルの方が簡単かもしれませんが、テキスト、画像、動画が混在する入力と非常に大きなコンテキストを扱う場合、このモデルはその領域を直接カバーします。