NVIDIA: Nemotron 3.5 Super VL (free)

Nemotron 3.5 Super VL to otwarty multimodalny model typu mixture-of-experts od NVIDIA. Należy do rodziny Nemotron i jest pozycjonowany jako model językowo-wizyjny, z 12B aktywnych parametrów z 120B łącznie. W api14 jest wymieniony pod identyfikatorem modelu nvidia/nemotron-3.5-super-vl:free, a jego główna kategoria to text, przy czym text jest jedynym tagiem kategorii. Data wydania przez dostawcę to 2026-10-15.

Model przyjmuje jako dane wejściowe tekst, obrazy i wideo, a jako dane wyjściowe generuje tekst. Jego okno kontekstowe wynosi 1,000,000 tokenów, a maksymalna długość odpowiedzi to 131,072 tokenów. Ponieważ jest to konstrukcja mixture-of-experts z relatywnie niewielką liczbą aktywnych parametrów, został zbudowany do obsługi dużych multimodalnych danych wejściowych bez aktywowania pełnego zestawu parametrów dla każdego tokenu. Połączenie bardzo dużego kontekstu oraz danych wejściowych w postaci obrazów i wideo oznacza, że pojedyncze żądanie może zawierać długie dokumenty, zrzuty ekranu lub wideo wraz z promptem.

Te możliwości wskazują na kilka praktycznych zastosowań. Rozumienie dokumentów i zrzutów ekranu pasuje tu naturalnie: można wysłać zeskanowane strony, pliki PDF wyrenderowane jako obrazy lub zrzuty ekranu GUI i poprosić o ekstrakcję, streszczenie lub odpowiedzi na pytania na ich podstawie. Wejście wideo obsługuje zadania takie jak opisywanie materiału filmowego, odpowiadanie na pytania o zdarzenia w klipie lub wyciąganie ustrukturyzowanych danych z nagranych sesji. Długi kontekst jest przydatny, gdy materiał jest duży, na przykład długi raport plus kilka obrazów, albo długi transkrypt, który musi pozostać w jednym żądaniu. Wywoływanie narzędzi i ustrukturyzowane dane wyjściowe czynią go użytecznym jako krok rozumowania wewnątrz agenta lub potoku ekstrakcji danych.

Wywołujesz go przez kompatybilne z OpenAI API api14, używając identyfikatora modelu "nvidia/nemotron-3.5-super-vl:free". Obsługiwane parametry żądania to include_reasoning, max_tokens, reasoning, response_format, seed, structured_outputs, temperature, tool_choice, tools oraz top_p. W praktyce oznacza to, że możesz kontrolować próbkowanie za pomocą temperature i top_p, ograniczyć odpowiedź za pomocą max_tokens, uczynić uruchomienia powtarzalnymi za pomocą seed, zażądać danych wyjściowych w formacie JSON lub ograniczonych schematem przez response_format i structured_outputs, a także udostępnić modelowi funkcje za pomocą tools i tool_choice. Parametry reasoning i include_reasoning pozwalają włączyć lub wyłączyć zachowanie rozumowania oraz zdecydować, czy treść rozumowania jest zwracana.

Jedna rzecz do zapamiętania: dane wyjściowe to wyłącznie tekst, więc model nie będzie generować obrazów ani wideo. Jeśli twoje zadanie jest czysto tekstowe i nie wymaga wizji, model tekstowy może być prostszy, ale w przypadku mieszanych danych wejściowych tekstowych, obrazowych i wideo z bardzo dużym kontekstem ten model obejmuje ten obszar bezpośrednio.