NVIDIA: Nemotron 3.5 Super VL

O NVIDIA Nemotron 3.5 Super VL é um modelo multimodal aberto de mistura de especialistas da NVIDIA. Tem 12B parâmetros ativos de um total de 120B, portanto apenas uma fração da rede é acionada por token enquanto o modelo completo mantém ampla capacidade. Está listado em api14 na categoria de texto, e a data de lançamento do provedor é 2026-10-15.

O modelo aceita texto, imagens e vídeo como entrada, e retorna texto. Essa combinação cobre documentos, capturas de tela de GUI e vídeo, juntamente com prompts comuns, portanto uma única requisição pode misturar instruções escritas com material visual. A janela de contexto é de 1.048.576 tokens, e a saída máxima é de 235.929 tokens. Entradas longas são, portanto, práticas: pacotes com múltiplos documentos, sequências estendidas de capturas de tela ou contexto longo derivado de vídeo cabem sem corte agressivo, e o teto de saída elevado atende a tarefas que precisam de um resultado escrito substancial em vez de uma resposta curta.

Essas capacidades apontam para alguns usos concretos. A compreensão de capturas de tela é um encaixe natural para agentes de GUI, testes de interface e fluxos de suporte em que a entrada é uma imagem de uma tela em vez de dados estruturados. O tratamento de documentos atende a extração, sumarização e perguntas e respostas sobre arquivos digitalizados ou com layout complexo. A entrada de vídeo suporta descrição, perguntas em nível de linha do tempo e revisão de conteúdo. Como o modelo também lida com texto simples, ele pode servir como um único endpoint para pipelines que, de outra forma, dividiriam o trabalho de visão e linguagem entre dois sistemas.

Você o chama através da API compatível com OpenAI da api14 usando o id de modelo "nvidia/nemotron-3.5-super-vl". Os parâmetros de requisição suportados são 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 e top_p. Chamada de ferramentas e saídas estruturadas estão ambas disponíveis, o que importa se o modelo estiver dentro de um loop de agente ou precisar emitir resultados legíveis por máquina. O raciocínio pode ser solicitado e exposto através de include_reasoning, e a amostragem pode ser ajustada com as configurações usuais de temperature, top_p, top_k e penalidades.

A principal restrição a ter em mente é que a saída é apenas texto, portanto o modelo não pode gerar imagens ou vídeo. Se sua tarefa for puramente texto e não se beneficiar de entrada visual, um modelo menor apenas de texto pode ser mais simples e rápido de operar. Se você precisa de geração de imagem ou vídeo em vez de compreensão, este modelo não é o adequado. Para compreensão mista de texto, imagem e vídeo com um contexto muito grande, ele é um padrão razoável.