NVIDIA wypuściła Nemotron 3.5 Super VL, otwarty, konfigurowalny model multimodalny przeznaczony dla przedsiębiorstw budujących wyspecjalizowanych agentów AI. Model wykorzystuje architekturę opartą na 120 miliardach parametrów, złożoną z wielu ekspertów, która aktywuje tylko 12 miliardów parametrów na token. Według firmy NVIDIA projekt ten równoważy wydajność w skali granicznej z wydajnością wnioskowania. Odważniki są dostępne w serwisie Hugging Face z precyzją BF16, a firma NVIDIA opublikowała przewodnik techniczny wraz z wydaniem.
Super VL wpisuje się w rozwijającą się rodzinę otwartych modeli firmy NVIDIA jako specjalista multimodalny. Według firmy mniejsze modele Nemotron 3.5 Lightning radzą sobie z zadaniami tekstowymi o dużej objętości, podczas gdy pionierski Nemotron 3 Ultra radzi sobie ze złożonym planowaniem i orkiestracją, umożliwiając zespołom kierowanie każdego etapu przepływu pracy agenta do modelu o odpowiedniej wielkości. Jest to najnowszy ruch w push ZDNET, opisywany jako kolejny krok naprzód dla amerykańskiej sztucznej inteligencji o wadze otwartej. Jeśli śledzisz wyścig z ciężarami otwartymi, nasze relacje z ostatnich premier modeli otwartych mają szerszy obraz.
Jeden model dla tekstu, obrazów, dokumentów i wideo
Podstawą jest konsolidacja. Super VL łączy rozumowanie, przestrzeganie instrukcji i korzystanie z narzędzi ze zrozumieniem tekstu, obrazów, dokumentów i wideo, dzięki czemu zespoły nie muszą wdrażać oddzielnych modeli tekstu i języka wizyjnego ani przełączać kontekstu zadań między sobą. NVIDIA twierdzi, że jej szkolenia wizualne obejmują wykresy, tabele, optyczne rozpoznawanie znaków, wielostronicowe dokumenty i wideo, a dwuetapowy nadzorowany proces dostrajania łączy dowody wizualne z rozumowaniem, czatem, danymi dotyczącymi bezpieczeństwa i długim kontekstem.
Docelowe przepływy pracy to te, na które przedsiębiorstwa wciąż natrafiają: agent obsługi klienta, który musi czytać dokumenty dotyczące zasad firmy, agent badawczy łączący dowody z różnych źródeł lub agent dokumentów, który interpretuje wykres i łączy go z tabelą w innym miejscu tego samego zgłoszenia. W każdym przypadku model musi zobaczyć materiał i przemyśleć go w tym samym oknie kontekstowym.
Deklarowana przepustowość: do 5x na pojedynczym procesorze graficznym
Wydajność to obszar, w którym NVIDIA rysuje najostrzejsze linie. Firma twierdzi, że Nemotron 3.5 Super VL zapewnia do 5 razy wyższą przepustowość w przypadku zadań agentowych w porównaniu z innymi otwartymi modelami w tej kategorii wielkości na jednym procesorze graficznym i wskazała na testy porównawcze pokazujące ponad 600 tokenów na sekundę w zadaniach agentowych Artificial Analysis Intelligence Index za pośrednictwem punktu końcowego wnioskowania Baseten.
Kilka ukrytych technik wpływa na te liczby. Firma NVIDIA podkreśliła LiLiCorr, otwartą metodę dekodowania spekulatywnego, wraz z mieszaną precyzją NVFP4, przewidywaniem wielu tokenów i ponownym wykorzystaniem kontekstu podczas kolejnych rotacji agentów — znacząca optymalizacja dla agentów prowadzących długotrwałe konwersacje za pomocą narzędzi. W przypadku przedsiębiorstw korzystających z agentów bez przerwy przepustowość na procesor graficzny często stanowi różnicę między opłacalnym produktem a bezużyteczną strukturą kosztów.
Najważniejszy jest trening po szkoleniu
NVIDIA wyraźnie stwierdza, że model podstawowy jest punktem wyjścia, a nie gotowym produktem. Programiści mogą dostosować Super VL za pomocą biblioteki NeMo, korzystając z nadzorowanego dostrajania i LoRA, aby uczyć zachowań specyficznych dla domeny, a następnie zastosować uczenie się przez wzmacnianie za pomocą NeMo RL i NeMo Gym w środowiskach odzwierciedlających ich własne działania. Firma twierdzi, że organizacje zajmujące się cyberbezpieczeństwem, finansami i opieką zdrowotną już szkolą model, aby pokonać nowatorskie alternatywy w swoich przepływach pracy. Twierdzenie to jest trudne do niezależnej weryfikacji, ale spójne z pozycją przedsiębiorstwa-agenta.
Aby wesprzeć tę pracę, NVIDIA udostępnia otwarte zbiory danych na platformie Hugging Face wraz z wagami, w tym dane dotyczące agentycznego użycia narzędzi i konwersacji, zestawy danych dotyczących wnioskowania finansowego i wywoływania narzędzi, dane dotyczące wykonywania instrukcji i czatów, dane dotyczące transdukcji i tłumaczeń w długim kontekście, dane dotyczące rzetelności oraz 40 zbiorów danych języka wizyjnego. Prime Intellect opublikował już przepis na post-trening modelu do długoterminowej pracy w przedsiębiorstwie, co jest wczesnym sygnałem, że ekosystem traktuje tę wersję jako poważną podstawę. NVIDIA opublikowała także w serwisie GitHub książkę kucharską dotyczącą użytkowania, dotyczącą dostosowywania, a firma podkreśla, że otwarte wagi można wdrożyć w środowiskach lokalnych, w centrach danych lub w chmurze, aby spełnić wymagania dotyczące infrastruktury i przechowywania danych — jest to elastyczność, o którą stale proszą nabywcy regulowani, a zamknięte interfejsy API nie są w stanie zapewnić.
Co to oznacza dla wyścigu w wadze otwartej
To wydanie zmniejsza różnicę pomiędzy modelami otwartymi i zamkniętymi w segmencie faktycznie wdrażanym przez przedsiębiorstwa: średniej wielkości systemy multimodalne do pracy agentów z dużą ilością dokumentów. Ponieważ wagi mogą działać w środowiskach lokalnych, w centrach danych lub w chmurze, Super VL daje branżom regulowanym opcję, której nie mogą zapewnić graniczne interfejsy API — przechowywanie wrażliwych dokumentów we własnej infrastrukturze, a jednocześnie zrozumienie wykresów, tabel i filmów.
Czytanie konkurencyjne jest proste. Meta, Alibaba, DeepSeek i Liquid AI dostarczyły w tym roku modele typu open-weight przeznaczone dla agentów, a firma NVIDIA — która sprzedaje sprzęt, na którym trenują wszyscy inni — konkuruje teraz bezpośrednio w warstwie modeli, oferując liberalne licencje i historię wydajności. Jeśli dane dotyczące przepustowości utrzymają się w niezależnych testach porównawczych, domyślny stos agentów korporacyjnych w 2027 r. może być znacznie bardziej otwarty, niż wyglądało to rok temu.
---
Wyprzedź sztuczną inteligencjęOtrzymuj najnowsze wiadomości, analizy i przełomowe informacje dotyczące sztucznej inteligencji — wszystko w jednym miejscu.
Przeczytaj więcej aktualności o sztucznej inteligencji →
