انویدیا Nemotron 3.5 Super VL را منتشر کرده است، یک مدل چندوجهی باز و قابل تنظیم با هدف شرکت هایی که عوامل تخصصی هوش مصنوعی می سازند. این مدل از معماری ترکیبی از متخصصان با 120 میلیارد پارامتر استفاده می کند که تنها 12 میلیارد پارامتر را در هر توکن فعال می کند، طرحی که NVIDIA می گوید ظرفیت مقیاس مرزی را با کارایی استنتاج متعادل می کند. وزنه ها در Hugging Face با دقت BF16 در دسترس هستند و NVIDIA در کنار این نسخه، یک پیشرفت فنی را منتشر کرد.

Super VL به عنوان متخصص چند وجهی وارد خانواده مدل‌های باز در حال گسترش NVIDIA می‌شود. به گفته این شرکت، مدل‌های کوچک‌تر Nemotron 3.5 Lightning وظایف متنی با حجم بالا را انجام می‌دهند، در حالی که Nemotron 3 Ultra با برنامه‌ریزی و هماهنگ‌سازی پیچیده مقابله می‌کند - به تیم‌ها اجازه می‌دهد هر مرحله از گردش کار نماینده را به اندازه مناسب مدل هدایت کنند. این آخرین حرکت در یک فشار ZDNET است که به عنوان یک گام دیگر رو به جلو برای هوش مصنوعی وزن باز ایالات متحده توصیف شده است. اگر مسابقه وزنه‌های باز را دنبال می‌کنید، پوشش ما از نسخه‌های آزاد اخیر تصویر گسترده‌تری دارد.

یک مدل برای متن، تصاویر، اسناد و ویدئو

محور اصلی تحکیم است. Super VL استدلال، دنبال کردن دستورالعمل‌ها و استفاده از ابزار را با درک متن، تصویر، سند و ویدیو ترکیب می‌کند، بنابراین تیم‌ها نیازی به استقرار متن‌های جداگانه و مدل‌های زبان بینایی یا متن وظایف شاتل بین آنها ندارند. NVIDIA می‌گوید که آموزش بصری آن شامل نمودارها، جداول، تشخیص کاراکترهای نوری، اسناد چند صفحه‌ای و ویدئو می‌شود، با یک خط لوله تنظیم دقیق نظارت شده دو مرحله‌ای که شواهد بصری را با استدلال، چت، ایمنی و داده‌های متنی طولانی ترکیب می‌کند.

گردش‌های کاری هدف، آن‌هایی هستند که شرکت‌ها دائماً با آن مواجه می‌شوند: یک نماینده خدمات مشتری که باید اسناد خط‌مشی شرکت را بخواند، یک عامل تحقیقاتی که شواهد را بین منابع متصل می‌کند، یا یک عامل سند که نمودار را تفسیر می‌کند و آن را به جدولی در جای دیگری در همان پرونده پیوند می‌دهد. در هر مورد، مدل باید مطالب و استدلال را در همان پنجره زمینه ببیند.

ادعای توان عملیاتی: تا 5 برابر در یک GPU واحد

کارایی جایی است که NVIDIA واضح ترین خطوط را ترسیم می کند. این شرکت ادعا می‌کند که Nemotron 3.5 Super VL در مقایسه با سایر مدل‌های باز در رده اندازه خود روی یک GPU، تا 5 برابر توان عملیاتی بالاتری را برای کارهای عاملی ارائه می‌کند و به بنچمارک‌هایی اشاره کرد که بیش از 600 توکن در ثانیه در وظایف عاملی شاخص هوش مصنوعی تحلیل مصنوعی از طریق نقطه پایانی استنتاج Baseten نشان می‌دهند.

چندین تکنیک زیر کاپوت این اعداد را نشان می دهد. انویدیا LiLiCorr، یک روش رمزگشایی گمانه‌زنی باز، به همراه دقت ترکیبی NVFP4، پیش‌بینی چند نشانه‌ای، و استفاده مجدد از زمینه در میان نوبت‌های عامل را برجسته کرده است - بهینه‌سازی معناداری برای عواملی که مکالمات طولانی‌مدت را با ابزارها برگزار می‌کنند. برای شرکت‌هایی که نمایندگی‌های بی‌وقفه را اجرا می‌کنند، توان عملیاتی به ازای هر GPU اغلب تفاوت بین یک محصول قابل دوام و ساختار هزینه غیرقابل استفاده است.

پس از آموزش نکته مهم است

NVIDIA به صراحت می گوید که مدل پایه یک نقطه شروع است تا یک محصول نهایی. توسعه‌دهندگان می‌توانند Super VL را با کتابخانه NeMo با استفاده از تنظیم دقیق نظارت‌شده و LoRA برای آموزش رفتار دامنه خاص سفارشی کنند، سپس یادگیری تقویتی را از طریق NeMo RL و NeMo Gym در محیط‌هایی اعمال کنند که عملکردهای خودشان را منعکس می‌کنند. این شرکت می‌گوید سازمان‌های امنیت سایبری، مالی و مراقبت‌های بهداشتی در حال آموزش پس از آموزش این مدل هستند تا جایگزین‌های مرزی را در جریان کار تولید خود شکست دهند، ادعایی که به سختی می‌توان آن را به‌طور مستقل تأیید کرد، اما با موقعیت‌یابی سازمانی-عامل سازگار است.

برای پشتیبانی از این کار، انویدیا مجموعه‌های داده باز را در Hugging Face در کنار وزن‌ها منتشر می‌کند، از جمله داده‌های استفاده از ابزار عامل و داده‌های مکالمه، استدلال مالی و مجموعه‌های فراخوانی ابزار، داده‌های پیروی از دستورالعمل‌ها و داده‌های چت، داده‌های مبادله و ترجمه متن طولانی، داده‌های منصفانه، و ۴۰ مجموعه داده‌های زبان بینایی. Prime Intellect قبلاً دستور العملی برای آموزش پس از آموزش این مدل برای کار سازمانی درازمدت منتشر کرده است، نشانه اولیه این است که اکوسیستم انتشار را به عنوان یک پایه جدی تلقی می کند. انویدیا همچنین یک کتاب آشپزی استفاده در GitHub منتشر کرد که سفارشی‌سازی را پوشش می‌دهد، و این شرکت تاکید می‌کند که وزن‌های باز را می‌توان در محیط‌های محلی، مرکز داده یا محیط‌های ابری برای برآورده کردن زیرساخت‌ها و الزامات اقامت داده به کار برد - انعطاف‌پذیری که خریداران منظم به طور مداوم درخواست می‌کنند و APIهای بسته نمی‌توانند ارائه کنند.

معنی آن برای مسابقه وزن آزاد

انتشار، شکاف بین مدل‌های باز و بسته را در بخشی که شرکت‌ها در واقع به کار می‌گیرند، کم‌تر می‌کند: سیستم‌های چندوجهی متوسط ​​برای کار با اسناد سنگین. از آنجایی که وزن‌ها می‌توانند در محیط‌های محلی، مرکز داده یا محیط‌های ابری اجرا شوند، Super VL به صنایع تنظیم‌شده گزینه‌ای می‌دهد که APIهای مرزی نمی‌توانند - نگه داشتن اسناد حساس در زیرساخت‌های خود و در عین حال درک نمودار، جدول و ویدیو.

خواندن رقابتی ساده است. متا، علی‌بابا، DeepSeek و Liquid AI همگی مدل‌های وزن باز را با هدف نمایندگی‌ها در سال جاری روانه بازار کرده‌اند، و NVIDIA - که سخت‌افزاری را که دیگران با آن آموزش می‌دهند به فروش می‌رساند - اکنون مستقیماً در لایه مدل با مجوزهای مجاز و داستان کارایی رقابت می‌کند. اگر ادعاهای توان عملیاتی در معیارهای مستقل باقی بماند، پشته پیش‌فرض برای نمایندگان سازمانی در سال 2027 ممکن است به طور قابل‌توجهی بازتر از یک سال پیش باشد.

---

از هوش مصنوعی جلوتر بمانید

آخرین اخبار، تحلیل ها و پیشرفت های هوش مصنوعی را دریافت کنید - همه در یک مکان.

بیشتر بخوانید اخبار هوش مصنوعی →