NVIDIA: Nemotron 3 Nano Omni (free)

NVIDIA Nemotron 3 Nano Omni to otwarty model multimodalny od NVIDIA, wydany 28 kwietnia 2026. Jest to model 30B-A3B, co oznacza, że wykorzystuje projekt mieszanki ekspertów z około 30 miliardami parametrów łącznie i około 3 miliardami aktywnych na token. NVIDIA pozycjonuje go jako podagenta percepcji i kontekstu dla korporacyjnych systemów agentowych, więc ma być wstawiany do większych potoków, a nie działać jako samodzielny asystent.

Na wejściu model przyjmuje tekst, obrazy, dźwięk i wideo, co czyni go nietypowym wśród modeli skupionych na tekście. Wyjście jest tylko tekstowe. Okno kontekstu wynosi 256 000 tokenów, a maksymalne wyjście to 65 536 tokenów. Obsługuje zachowanie rozumowania, w tym parametr reasoning i opcję include_reasoning, więc można zażądać, aby rozumowanie krok po kroku modelu było ujawniane lub trzymane osobno, w zależności od aplikacji.

Te możliwości wskazują na dość konkretny zestaw przypadków użycia. Ponieważ obsługuje wideo i dźwięk, a także obrazy, pasuje do zadań takich jak streszczanie nagranych spotkań, wyodrębnianie ustrukturyzowanych danych ze zrzutów ekranu lub zeskanowanych dokumentów, opisywanie lub indeksowanie bibliotek multimediów oraz odpowiadanie na pytania dotyczące treści mieszanych multimediów. Jego długi kontekst pomaga, gdy pojedyncze żądanie musi obejmować długi transkrypt, partię obrazów lub kombinację obu. Jako podagent może przekazywać wyniki percepcji do większej warstwy orkiestracji, na przykład konwertując surowe multimedia na tekst, nad którym następnie rozumuje inny model.

Wywołujesz go przez API zgodne z OpenAI w api14, używając identyfikatora modelu "nvidia/nemotron-3-nano-omni-30b-a3b-reasoning:free". Ponieważ endpoint ma kształt uzupełnień czatu OpenAI, istniejące zestawy SDK i klienty działają przy minimalnych zmianach. Obsługiwane parametry żądania to include_reasoning, max_tokens, reasoning, seed, temperature, tool_choice, tools i top_p. Obecność tools i tool_choice oznacza, że można definiować wywołania funkcji i pozwolić modelowi zdecydować, kiedy je wywołać, podczas gdy seed, temperature i top_p dają kontrolę nad spójnością próbkowania.

Jednym praktycznym punktem do rozważenia jest zakres. Model generuje wyjście tylko tekstowe, więc jeśli potrzebujesz generowanych obrazów, dźwięku lub wideo, nie jest to właściwy wybór. Jest to również model klasy Nano, a NVIDIA opisuje go jako podagenta, więc w przypadku zadań wymagających najsilniejszego możliwego rozumowania możesz preferować większy model frontier i używać Nemotron 3 Nano Omni na etapie percepcji i kontekstu. Darmowy poziom ma zwykłe zastrzeżenie, że darmowy wariant może mieć inną przepustowość lub dostępność niż płatne endpointy, więc przetestuj go pod oczekiwanym obciążeniem, zanim zaczniesz na nim polegać w środowisku produkcyjnym.