NVIDIA: Nemotron 3.5 Super VL (free)

O Nemotron 3.5 Super VL é um modelo multimodal aberto de mistura de especialistas da NVIDIA. Pertence à família Nemotron e posiciona-se como um modelo de visão-linguagem, com 12B de parâmetros ativos num total de 120B. No api14 está listado sob o id de modelo nvidia/nemotron-3.5-super-vl:free e a sua categoria principal é texto, sendo texto a única etiqueta de categoria. A data de lançamento do fornecedor é 2026-10-15.

O modelo aceita texto, imagens e vídeo como entrada, e produz texto como saída. A sua janela de contexto é de 1.000.000 tokens, e o comprimento máximo de saída é de 131.072 tokens. Por ser um design de mistura de especialistas com uma contagem de parâmetros ativos relativamente pequena, foi construído para lidar com grandes entradas multimodais sem ativar o conjunto completo de parâmetros em cada token. A combinação de um contexto muito grande com entrada de imagem e vídeo significa que um único pedido pode transportar documentos longos, capturas de ecrã ou vídeo juntamente com o prompt.

Essas capacidades apontam para alguns casos de uso práticos. A compreensão de documentos e capturas de ecrã é uma adequação natural: pode enviar páginas digitalizadas, PDFs convertidos em imagens ou capturas de ecrã de GUI e pedir extração, resumo ou resposta a perguntas sobre eles. A entrada de vídeo suporta tarefas como descrever filmagens, responder a perguntas sobre eventos num clipe ou extrair dados estruturados de sessões gravadas. O contexto longo é útil quando o material é grande, por exemplo um relatório longo mais várias imagens, ou uma transcrição extensa que precisa de permanecer num único pedido. A chamada de ferramentas e as saídas estruturadas tornam-no utilizável como o passo de raciocínio dentro de um agente ou de um pipeline de extração de dados.

Pode chamá-lo através da API compatível com OpenAI do api14 usando o id de modelo "nvidia/nemotron-3.5-super-vl:free". Os parâmetros de pedido suportados são include_reasoning, max_tokens, reasoning, response_format, seed, structured_outputs, temperature, tool_choice, tools e top_p. Na prática, isso significa que pode controlar a amostragem com temperature e top_p, limitar a resposta com max_tokens, tornar as execuções reproduzíveis com seed, pedir saída JSON ou restringida por esquema através de response_format e structured_outputs, e expor funções ao modelo com tools e tool_choice. Os parâmetros reasoning e include_reasoning permitem-lhe ativar ou desativar o comportamento de raciocínio e decidir se o conteúdo de raciocínio é devolvido.

Uma coisa a ter em conta é que a saída é apenas texto, pelo que o modelo não irá gerar imagens ou vídeo. Se a sua tarefa for puramente texto e não precisar de visão, um modelo apenas de texto pode ser mais simples, mas para entrada mista de texto, imagem e vídeo com um contexto muito grande, este modelo cobre diretamente esse terreno.