NVIDIA: Nemotron 3.5 Super VL

NVIDIA Nemotron 3.5 Super VL to otwarty multimodalny model typu mixture-of-experts firmy NVIDIA. Ma 12B aktywnych parametrów z 120B całkowitych, więc tylko część sieci jest angażowana na token, podczas gdy pełny model zachowuje szeroką pojemność. Jest wymieniony na api14 w kategorii text, a data wydania przez dostawcę to 2026-10-15.

Model przyjmuje jako dane wejściowe tekst, obrazy i wideo, a zwraca tekst. Ta kombinacja obejmuje dokumenty, zrzuty ekranu GUI i wideo obok zwykłych promptów, więc pojedyncze żądanie może łączyć pisemne instrukcje z materiałem wizualnym. Okno kontekstu wynosi 1,048,576 tokenów, a maksymalne wyjście to 235,929 tokenów. Długie dane wejściowe są więc praktyczne: pakiety wielu dokumentów, rozszerzone sekwencje zrzutów ekranu lub długi kontekst pochodzący z wideo mieszczą się bez agresywnego przycinania, a wysoki limit wyjścia pasuje do zadań wymagających obszernego wyniku tekstowego, a nie krótkiej odpowiedzi.

Te możliwości wskazują na kilka konkretnych zastosowań. Rozumienie zrzutów ekranu naturalnie pasuje do agentów GUI, testowania interfejsów i przepływów wsparcia, gdzie dane wejściowe to obraz ekranu, a nie dane strukturalne. Obsługa dokumentów pasuje do ekstrakcji, streszczania i odpowiadania na pytania dotyczące zeskanowanych plików lub plików o złożonym układzie. Wejście wideo obsługuje opisy, pytania na poziomie osi czasu i przegląd treści. Ponieważ model obsługuje również zwykły tekst, może służyć jako pojedynczy endpoint dla potoków, które w innym przypadku dzieliłyby pracę nad wizją i językiem między dwa systemy.

Wywołujesz go przez OpenAI-compatible API api14, używając identyfikatora modelu "nvidia/nemotron-3.5-super-vl". Obsługiwane parametry żądania to 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 i top_p. Wywoływanie narzędzi i ustrukturyzowane wyjścia są dostępne, co ma znaczenie, jeśli model działa w pętli agenta lub musi emitować wyniki czytelne maszynowo. Rozumowanie można zażądać i ujawnić przez include_reasoning, a próbkowanie można dostroić za pomocą zwykłych ustawień temperature, top_p, top_k i kar.

Głównym ograniczeniem, o którym należy pamiętać, jest to, że wyjście jest wyłącznie tekstowe, więc model nie może generować obrazów ani wideo. Jeśli twoje zadanie jest czysto tekstowe i nie korzysta z danych wejściowych wizualnych, mniejszy model tekstowy może być prostszy i szybszy w obsłudze. Jeśli potrzebujesz generowania obrazów lub wideo, a nie ich rozumienia, ten model nie jest właściwym wyborem. Do rozumienia mieszanego tekstu, obrazów i wideo z bardzo dużym kontekstem jest rozsądnym domyślnym wyborem.