Не установлено по доступным источникам.
NVIDIA · ТРЕКЕР МОДЕЛИ
Nemotron 3.5 Super VL
Nemotron 3.5 Super VL — открытая, настраиваемая мультимодальная модель NVIDIA, которую описывают как обеспечивающую передовую точность на научных бенчмарках и быстрое время решения задач научного кодирования; в статье приводится рецепт посттренинга с улучшением точности в примере прогнозирования метаболизма и указанием бюджета в 16 384 токена.ТЕКУЩИЙ СНИМОК4/5 РАЗДЕЛОВ С ДАННЫМИ
Главные характеристики в одном месте.
ХРОНОЛОГИЯ РЕЛИЗОВ
Только опубликованные события с источниками.
Nvidia представила Nemotron 3.5 Super VL и лёгкие модели Bolt для корпоративных агентов и локальных AI‑ПК
Nvidia представила открытые модели для постоянных агентов и локального запуска: Nemotron 3.5 Super VL (120 млрд параметров) для корпоративных агентов и две облегчённые модели Bolt, включая Nemotron 3.5 Bolt 74B-A9B 24GB и меньшую Bolt E4B для локальных AI‑ПК и рабочих станций. Nvidia сообщает, что Super VL и Bolt 74B-A9B уже доступны (Bolt E4B выйдет позже в этом месяце), утверждает, что Super VL сопоставима с более крупной Nemotron 3 Ultra по следованию инструкциям и превосходит некоторые конкурирующие модели в задачах послеобучения для агентов, и называет ранних пользователей: Skydance, EY, Ramp, CrowdStrike, Perplexity и Salesforce.
NVIDIA выпустила Nemotron 3.5 Super VL — открытую мультимодальную модель на 120B параметров для агентов
NVIDIA представила Nemotron 3.5 Super VL — открытую мультимодальную модель с 120 миллиардами параметров и MoE‑архитектурой, активирующую по 12 млрд параметров на токен для поддержки агентных рабочих процессов, объединяющих рассуждение, выполнение инструкций, использование инструментов и обработку текста, изображений, документов и видео. По данным NVIDIA, модель обеспечивает до 5× более высокую пропускную способность на одной GPU для агентных задач по сравнению с сопоставимыми открытыми моделями, поддерживает дообучение через NeMo (SFT, LoRA, RL) с ресурсами на Hugging Face и GitHub, и использует оптимизации вывода (LiLiCorr, NVFP4 и др.); партнёры (Scale AI, Ramp, AI21) сообщают о значительных улучшениях стоимости, задержки или точности.
ПРОВЕРЯЕМЫЕ ФАКТЫ
Каждое значение привязано к источнику и дате.
Описывается как открытая, настраиваемая мультимодальная модель (поддерживает несколько входных модальностей).
Сочетает рассуждение, выполнение инструкций и использование инструментов для агентных рабочих процессов.
Архитектура mixture-of-experts на 120 млрд параметров, которая активирует 12 млрд параметров на токен.
На одной GPU обеспечивает до 5× более высокую пропускную способность для агентных задач по сравнению с другими открытыми моделями аналогичного размера (по данным NVIDIA).
Организации, проводившие дообучение модели, по сообщениям, добивались улучшений, таких как примерно 40× снижение стоимости инференса, примерно 10× снижение задержки и примерно 40% повышение точности для специализированных рабочих процессов.
Описывается как «открытая» модель (что подразумевает открытую доступность или возможность настройки).
Использует оптимизации инференса: LiLiCorr speculative decoding, NVFP4-квантизацию с quantization-aware distillation, предсказание нескольких токенов и повторное использование контекста для повышения эффективности инференса.
Открытая мультимодальная модель, дистиллированная из Nemotron 3 Ultra; NVIDIA публикует веса, тренировочные наборы данных и рецепты постобучения.
Mixture-of-Experts (MoE) архитектура с 120 миллиардами параметров, активирующая 12 миллиардов параметров на токен.
Разработана для агентных рабочих процессов: сочетает рассуждение, выполнение инструкций и использование инструментов для поддержки непрерывных (постоянно работающих) корпоративных агентов.
По заявлению NVIDIA, на одной GPU Nemotron 3.5 Super VL обеспечивает до 5× более высокую пропускную способность для агентных задач по сравнению с другими открытыми моделями сопоставимого размера.
Анонсирована/запущена NVIDIA в октябре 2026 года (сообщено 2026-10-19) как часть набора новых моделей с открытыми весами.
120 миллиардов параметров.
Ориентирована на использование агентами в корпоративной среде (постоянно работающие агенты и сценарии edge-вычислений).
Nvidia утверждает, что Super VL выполняет задачи быстрее, чем некоторые конкурирующие модели (указаны модели Anthropic и OpenAI: Opus 5, GPT 6.1 Sol, Luna, Astra) при дообучении на конкретных агентных задачах, таких как документная аналитика, финансовый учёт, научные эксперименты, обработка медицинских страховых претензий и устойчивость к атакам на безопасность.
Nvidia указала несколько компаний, якобы использующих Super VL, включая Skydance, EY, Ramp, Crowdstrike, Perplexity и Salesforce.
Описывается как крупная модель с 120 миллиардами параметров.
Использует меньше параметров, чем Nemotron 3 Ultra; NVIDIA утверждает, что модель может обеспечить сопоставимую точность в задачах следования инструкциям и использовании инструментов несмотря на меньший размер.
NVIDIA утверждает, что Super VL выполняет задачи быстрее, чем некоторые конкурирующие модели (в числе упомянуты модели Anthropic и OpenAI, например Opus 5 и GPT 6.1 Sol) при дообучении на конкретных агентных задачах.
MoE-модель с 120 млрд параметров; при разрежённой маршрутизации на токен активируется 12 млрд параметров.
Гибридные слои Mamba-2, MoE и attention с RADIO vision encoder; рекурсивно разделяемая голова Multi-Token Prediction (MTP) поддерживает нативное speculative decoding.
В примере использования упоминается бюджет выходных данных в 16 384 токена для задачи прогнозирования метаболизма лекарств.
Целевые сценарии включают кодирование (тестирование/проверка кода, анализ ошибок, рекомендации по исправлению), веб-исследования (перекрёстная проверка и верификация источников), интеллектуальную обработку документов (чтение таблиц, диаграмм, макетов страниц), кибербезопасность (идентификация уязвимостей, триаж угроз) и понимание видео (поиск, проверка контента, анализ инцидентов). Интегрируется с основными открытыми агентными фреймворками и системами оркестрации через эталонные реализации NVIDIA и NVIDIA Agent Toolkit.
NVIDIA приводит 63,44% по Hermes Bench, 87,05% по оценкам LangChain agent evaluations и 80,8% по бенчмарку CharXiv (chart-reasoning).
Сообщается, что обеспечивает «передовую» точность на научных бенчмарках.
Сообщается, что обеспечивает самое быстрое время достижения решения при научном кодировании (по заявлению NVIDIA).
В примере прогнозирования метаболизма лекарств супервизированная донастройка повысила точность на 12%, а посттренинг с обучением с подкреплением — ещё на 17% (по данным статьи).
ЧТО ИЗМЕНИЛОСЬ