نموذج Nvidia Nemotron 3.5 Super VL يقدم سرعة أسرع بـ 5 مرات
أطلقت شركة Nvidia نموذج Nvidia Nemotron 3.5 Super VL في 15 أكتوبر 2026، وهو نموذج ذكاء اصطناعي مفتوح بسعة 120 مليار معلمة مصمم لوكلاء المؤسسات المتخصصين. يتعامل النموذج متعدد الوسائط مع المستندات البصرية وصفحات الويب وسير العمل التجاري متعدد الخطوات. بالنسبة لفرق المؤسسات، يخفض النموذج متطلبات الأجهزة إلى خُمس عدد معلمات نماذج الاستدلال الأكبر مع خدمة ما يصل إلى 8 أضعاف عدد المستخدمين وزمن استجابة أقل بنسبة 85% على Nvidia Dynamo.
المهام البصرية والوكيلية التي يعالجها النموذج
يعالج Nvidia Nemotron 3.5 Super VL التعرف الضوئي على الحروف والجداول والرسوم البيانية والمعلومات البصرية المنظمة داخل مستندات المؤسسات. تقرأ بنية الرؤية واللغة صفحات الويب وتستخرج النصوص وتحلل الرسوم البيانية وتعالج ملفات PDF المعقدة مباشرة. يتيح دمج الفهم البصري والتحليل النصي داخل نظام واحد لوكلاء البرامج تنفيذ سير العمل دون نقل السياق بين نماذج منفصلة. تقوم شركات منصات البرمجيات بما في ذلك Atlassian وCrowdStrike وDassault Systèmes وSalesforce وPerplexity بدمج النموذج لأتمتة البحث الوكيلي عبر تطبيقات مثل Jira وConfluence، وعمليات الأمن السيبراني للفرق الزرقاء، والمحاكاة الهندسية، وسير العمل الحكومي المعقد عبر Missionforce Operations.
أداء اختبارات Nemotron 3.5 Super VL مقارنة بالنماذج الرائدة
في قائمة متصدري مؤشر Artificial Analysis Intelligence Index، يحقق النموذج إنتاجية أسرع تصل إلى 5 مرات مقارنة بالنظم الأخرى في فئته. وفيما يتعلق باختبارات Nemotron 3.5 Super VL benchmark، يوفر النموذج المفتوح بسعة 120 مليار معلمة دقة في اتباع التعليمات، واستخدام الأدوات، والفهم البصري، وسير العمل التجاري متعدد الخطوات تضاهي أكبر نموذج استدلال لدى Nvidia بنحو خُمس عدد المعلمات. وينضم إلى النموذج الرئيسي إصداران للحوسبة الطرفية: Nemotron 3.5 Bolt 74B-A9B 24GB للمهام الوكيلية المحلية، والذي يتصدر المرتبة الأولى كأفضل نموذج مفتوح في فئته على PinchBench والمرتبة الثانية على BrowseComp، ونموذج Nemotron 3.5 Bolt E4B 4GB للواجهات الحوارية السريعة والقادم في 23 أكتوبر 2026.
كيف تقوم فرق المؤسسات بالتدريب اللاحق وتخصيص الأوزان المفتوحة
يمكن للمؤسسات إجراء تدريب لاحق للأوزان المفتوحة على مجموعات البيانات الخاصة، والأدوات المؤسسية، والسياسات الداخلية، وسير العمل المخصص باستخدام خطوط أنابيب Nvidia NeMo. امتد التدريب المسبق والتدريب المسبق المستمر ليشمل نحو 26 تريليون رمز، تلاه تدريب لاحق على 3.8 مليون عينة وتعلم معزز في بيئات NeMo Gym. تم نشر مجموعات البيانات المفتوحة التي تغطي استخدام الأدوات، والمالية، واتباع التعليمات، والسياق الطويل، والعدالة، وفهم الرؤية واللغة على منصة Hugging Face كموارد Nemotron 3.5 Super VL Hugging Face. قامت شركة Scale AI بتخصيص البنية لوكيل الائتمان المالي للموردين في Skydance ووكيل العناية الواجبة للاندماج والاستحواذ في EY. كما قامت TrainLoop بالتدريب اللاحق للنموذج باستخدام بيانات طب الجلد من Nolla، التي أصبحت أول شركة تحصل على الموافقة للذكاء الاصطناعي لكتابة الوصفات الطبية الأولية للمرضى.
اعتماد منظومة القطاعات في المالية والأمن السيبراني والاكتشاف
تقوم العشرات من المؤسسات عبر مختلف القطاعات بالضبط الدقيق للبنية المفتوحة لنشرها في مجالات متخصصة. قامت AfterQuery بتخصيص النموذج لشركة Hebbia لإجراء تحليل اتفاقيات الائتمان، بينما قامت AI21 وAlice بتدريبه لاحقًا لتعزيز الصمود ضد الهجمات السيبرانية. وقامت Mercor بالضبط الدقيق للنموذج على اختبار البرمجة المرجعي APEX-SWE للوكلاء الذين يخططون ويكتبون ويصححون الأكواد البرمجية. وتتيح ModelScope الضبط الدقيق من خلال إطار العمل ms-swift. وتشمل المؤسسات الإضافية التي تقوم بتخصيص النموذج كلًا من Ramp لذكاء المستندات المالية، وDream لأبحاث الأمن السيبراني للذكاء الاصطناعي السيادي، وLila Sciences للاكتشاف العلمي، وR1 لتحليل المطالبات الطبية وإدارة دورة الإيرادات.
خيارات الأجهزة المحلية وكيفية تشغيل Nemotron 3.5 محليًا
يعتمد تشغيل عائلة النماذج محليًا على مستوى النشر عبر مراكز البيانات، ومحطات العمل المكتبية، والأجهزة الطرفية. يمكن للمطورين الذين يبحثون عن تشغيل Nemotron 3.5 محليًا نشر Nemotron 3.5 Bolt 74B-A9B على DGX Spark وDGX Station ومحطات عمل RTX PRO وأجهزة الكمبيوتر الشخصية GeForce RTX والأجهزة المحمولة القادمة في 16 أكتوبر 2026. يستخدم نموذج Bolt 74B-A9B التكميم الأصلي بـ 2 بت ليتناسب مع ذاكرة سعتها 24 جيجابايت، مما يدعم أطر العمل الوكيلية المحلية بما في ذلك llama.cpp وOllama وLM Studio وUnsloth وCanonical وvLLM دون إرسال أعباء العمل إلى السحاب. يعمل النموذج الرئيسي 120B Super VL محليًا على أنظمة DGX Station وRTX PRO، وعلى أجهزة Jetson الطرفية، أو كخدمة مصغرة معبأة مع Nvidia NIM.
ما الذي يغيره للمتاجر عبر الإنترنت والمؤسسات
بالنسبة لنشر المؤسسات، توفر مجموعة النماذج خيارات مفتوحة محسنة عبر جميع مستويات البنية التحتية دون إجبار على الاختيار بين القدرة وقابلية النشر. يتيح تشغيل Nvidia Nemotron 3.5 Super VL على Nvidia Dynamo لبيئات المؤسسات خدمة ما يصل إلى 8 أضعاف عدد المستخدمين مع تقليل زمن الاستجابة التشغيلي بنسبة 85%. تكتسب المؤسسات تحكمًا كاملًا في إقامة البيانات والخصوصية من خلال الاحتفاظ بالنماذج والبيانات بالكامل داخل المنشأة، مما يتجنب قيود واجهات برمجة التطبيقات للطرف الثالث أثناء تنفيذ مهام الأتمتة المكررة مثل فحص مطالبات التأمين بحثًا عن الاحتيال أو التحقق من الدرجات الائتمانية مقابل معايير الإقراض الداخلية.
أسئلة وإجابات
فيما يُستخدم نموذج Nvidia Nemotron 3.5 Super VL؟
يقوم النموذج بتشغيل وكلاء المؤسسات المتخصصين الذين ينفذون معالجة المستندات البصرية، والتعرف الضوئي على الحروف، وتحليل الجداول والرسوم البيانية، وتصفح الويب، وسير العمل التجاري متعدد الخطوات، واستخدام الأدوات عبر أنظمة برمجيات المؤسسات.
كيف يقارن Nemotron 3.5 Super VL بالنماذج الرائدة المملوكة؟
يوفر دقة بمستوى النماذج الرائدة تضاهي أكبر نموذج استدلال مملوك لدى Nvidia بنحو خُمس عدد المعلمات، مع تحقيق إنتاجية أسرع تصل إلى 5 مرات في اختبارات الفئة المرجعية مع أوزان مفتوحة، ومجموعات بيانات مفتوحة، وتحكم كامل في النشر المحلي.
هل يمكن لفرق المؤسسات إجراء تدريب لاحق لنموذج Nemotron 3.5 Super VL على بيانات مخصصة؟
نعم، يمكن لفرق المؤسسات إجراء تدريب لاحق للنموذج على البيانات الخاصة، والسياسات المؤسسية، وسير العمل المتخصص باستخدام الأوزان المفتوحة، ووصفات التدريب، ومجموعات البيانات المفتوحة المنشورة على Hugging Face، وخطوط أنابيب Nvidia NeMo بلغة بايثون.
رؤية MOZGII
كيف كنا سنبنيه
لمعالجة مسارات العمل متعددة الخطوات مع المستندات البصرية محلياً، كنا سنقرن النموذج المفتوح المكون من 120 مليار معامة بمحلل ملفات محلي ومخزن موجهات آمن. يقرأ النموذج ملفات PDF والجداول وصفحات الويب دون إرسال الملفات الداخلية إلى واجهات برمجة التطبيقات السحابية الخارجية. كنا سنربط النموذج مباشرة بقواعد البيانات الداخلية باستخدام واجهات برمجية قياسية. وكان المراجعون البشريون سيفحصون الحقول المستخرجة قبل أن يحدث أي إجراء السجلات المالية أو الحكومية.
يتعطل النظام عندما تؤدي تغييرات التخطيط إلى تحليل غير صحيح للجداول أو عندما تفقد المهام متعددة الخطوات السياق عبر مسارات التنفيذ الطويلة. كنا سنفرض تحققاً صارماً من صحة المخطط على كل حقل بيانات مستخرج قبل تشغيل الأدوات اللاحقة. وكان متخصصو المجال سيدققون التباينات المحددة بين الجداول البصرية المحللة والملفات المصدر. والقياس الرئيسي الذي ينبغي مراقبته هو معدل إنتاجية المهام الشاملة لكل عقدة خادم.
بعد ذلك، كنا سنبني أنابيب ضبط دقيق مؤتمتة لتحديث الأوزان المجهزة بعد التدريب كلما تغيرت الواجهات البرمجية الداخلية. وكنا سنضيف أيضاً إجراءات نشر طرفية باستخدام نماذج مكممة أصغر لوكلاء الأجهزة المكتبية دون اتصال بالشبكة.
المصادر
من أين جاءت حقائق هذا الخبر.