NVIDIA: Nemotron 3.5 Super VL (free)

Nemotron 3.5 Super VL är en öppen multimodal mixture-of-experts-modell från NVIDIA. Den tillhör Nemotron-familjen och positioneras som en vision-language-modell, med 12B aktiva parametrar av totalt 120B. På api14 listas den under modell-id nvidia/nemotron-3.5-super-vl:free och dess huvudkategori är text, med text som enda kategoritagg. Leverantörens releasedatum är 2026-10-15.

Modellen tar text, bilder och video som indata, och producerar text som utdata. Dess kontextfönster är 1 000 000 tokens, och maximal utdatalängd är 131 072 tokens. Eftersom den är en mixture-of-experts-design med ett relativt litet antal aktiva parametrar är den byggd för att hantera stora multimodala indata utan att aktivera hela parameteruppsättningen för varje token. Kombinationen av en mycket stor kontext och bild- plus videoindata innebär att en enskild förfrågan kan bära långa dokument, skärmbilder eller video tillsammans med prompten.

Dessa förmågor pekar mot några praktiska användningsfall. Dokument- och skärmbildsförståelse passar naturligt: du kan skicka skannade sidor, PDF-filer renderade som bilder eller GUI-skärmbilder och be om extrahering, sammanfattning eller frågor och svar över dem. Videoindata stödjer uppgifter som att beskriva filmmaterial, svara på frågor om händelser i ett klipp eller plocka ut strukturerad data ur inspelade sessioner. Den långa kontexten är användbar när materialet är stort, till exempel en lång rapport plus flera bilder, eller en lång utskrift som behöver stanna i en enda förfrågan. Tool calling och strukturerade utdata gör den användbar som resonemangssteget inuti en agent eller en dataextraheringspipeline.

Du anropar den via api14:s OpenAI-kompatibla API med modell-id "nvidia/nemotron-3.5-super-vl:free". De stödda förfrågningsparametrarna är include_reasoning, max_tokens, reasoning, response_format, seed, structured_outputs, temperature, tool_choice, tools och top_p. I praktiken betyder det att du kan styra sampling med temperature och top_p, begränsa svaret med max_tokens, göra körningar reproducerbara med seed, begära JSON eller schema-begränsade utdata via response_format och structured_outputs, och exponera funktioner för modellen med tools och tool_choice. Parametrarna reasoning och include_reasoning låter dig slå på eller av resonemangsbeteende och bestämma om resonemangsinnehåll returneras.

En sak att ha i åtanke är att utdata endast är text, så modellen genererar inte bilder eller video. Om din uppgift är helt och hållet text och inte behöver vision kan en text-only-modell vara enklare, men för blandad text-, bild- och videoindata med en mycket stor kontext täcker denna modell det området direkt.