NVIDIA: Nemotron 3.5 Super VL

NVIDIA Nemotron 3.5 Super VL är en öppen multimodal mixture-of-experts-modell från NVIDIA. Den har 12B aktiva parametrar av totalt 120B, så bara en bråkdel av nätverket aktiveras per token medan hela modellen behåller bred kapacitet. Den är listad på api14 under kategorin text, och leverantörens utgivningsdatum är 2026-10-15.

Modellen tar emot text, bilder och video som indata, och den returnerar text. Den kombinationen täcker dokument, GUI-skärmbilder och video tillsammans med vanliga prompter, så en enskild begäran kan blanda skriftliga instruktioner med visuellt material. Kontextfönstret är 1 048 576 tokens, och maximal utdata är 235 929 tokens. Långa indata är därför praktiska: paket med flera dokument, utökade sekvenser av skärmbilder eller lång videohärledd kontext får plats utan aggressiv trimning, och det stora utdatataket passar uppgifter som behöver ett omfattande skriftligt resultat snarare än ett kort svar.

Dessa förmågor pekar mot några konkreta användningsområden. Förståelse av skärmbilder passar naturligt för GUI-agenter, gränssnittstestning och supportflöden där indata är en bild av en skärm snarare än strukturerad data. Dokumenthantering passar för extrahering, sammanfattning och frågebesvarande över skannade filer eller filer med tung layout. Videoindata stöder beskrivning, frågor på tidslinjenivå och innehållsgranskning. Eftersom modellen även hanterar vanlig text kan den fungera som en enda slutpunkt för pipelines som annars skulle dela upp vision- och språkarbete mellan två system.

Du anropar den via api14:s OpenAI-kompatibla API med modell-id:t "nvidia/nemotron-3.5-super-vl". De begärandeparametrar som stöds är 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 och top_p. Verktygsanrop och strukturerade utdata är båda tillgängliga, vilket spelar roll om modellen sitter i en agentloop eller behöver producera maskinläsbara resultat. Resonerande kan begäras och visas via include_reasoning, och sampling kan justeras med de vanliga inställningarna temperature, top_p, top_k och straffparametrar.

Den främsta begränsningen att ha i åtanke är att utdata endast är text, så modellen kan inte generera bilder eller video. Om din uppgift är helt och hållet text och inte drar nytta av visuella indata kan en mindre textbaserad modell vara enklare och snabbare att driva. Om du behöver bild- eller videogenerering snarare än förståelse är den här modellen inte rätt val. För blandad förståelse av text, bild och video med ett mycket stort kontextfönster är den ett rimligt standardval.