Nvidia Nemotron 3.5 Super VL: Offenes 120B-Modell bietet 5-fache Geschwindigkeit
Nvidia hat am 15. Oktober 2026 Nvidia Nemotron 3.5 Super VL veröffentlicht – ein offenes KI-Modell mit 120 Milliarden Parametern für spezialisierte Unternehmens-Agenten. Das multimodale Modell verarbeitet visuelle Dokumente, Webseiten und mehrstufige Geschäftsprozesse. Für Unternehmensteams reduziert das Modell den Hardwarebedarf auf ein Fünftel der Parameterzahl größerer Reasoning-Modelle, während es auf Nvidia Dynamo bis zu 8-mal mehr Nutzer bei 85 % geringerer Latenz bedienen kann.
Welche visuellen und agentischen Aufgaben das Modell verarbeitet
Nvidia Nemotron 3.5 Super VL verarbeitet optische Zeichenerkennung, Tabellen, Diagramme und strukturierte visuelle Informationen in Unternehmensdokumenten. Die Vision-Language-Architektur liest Webseiten, extrahiert Text, analysiert Grafiken und verarbeitet komplexe PDF-Dateien direkt. Die Kombination aus visuellem Verständnis und Textanalyse in einem System ermöglicht es Software-Agenten, Workflows auszuführen, ohne den Kontext über separate Modelle hinweg zu übertragen. Softwareplattform-Unternehmen wie Atlassian, CrowdStrike, Dassault Systèmes, Salesforce und Perplexity integrieren das Modell, um agentische Suchen über Anwendungen wie Jira und Confluence, Blue-Teaming-Cybersecurity-Operationen, Ingenieursimulationen und komplexe behördliche Arbeitsabläufe über Missionforce Operations zu automatisieren.
Nemotron 3.5 Super VL Benchmark-Leistung im Vergleich zu Frontier-Modellen
Auf der Rangliste des Artificial Analysis Intelligence Index erreicht das Modell einen bis zu 5-mal höheren Durchsatz als andere Systeme seiner Klasse. Bei den Tests zum Nemotron 3.5 Super VL Benchmark liefert das offene Modell mit 120 Milliarden Parametern bei der Befolgung von Anweisungen, der Nutzung von Werkzeugen, dem visuellen Verständnis und mehrstufigen Geschäftsprozessen eine Genauigkeit, die mit Nvidias größtem Reasoning-Modell vergleichbar ist – bei etwa ein Fünftel der Parameteranzahl. Neben dem Flaggschiffmodell erscheinen zwei Edge-Modelle: Nemotron 3.5 Bolt 74B-A9B 24GB für lokale agentische Aufgaben, das auf PinchBench als bestes offenes Modell seiner Klasse und auf BrowseComp auf Platz 2 rangiert, sowie Nemotron 3.5 Bolt E4B 4GB für schnelle Sprachoberflächen, das am 23. Oktober 2026 erscheint.
Wie Unternehmensteams offene Gewichte anpassen und weitertrainieren
Organisationen können die offenen Gewichte mit Nvidia NeMo-Pipelines auf proprietären Datensätzen, Unternehmenswerkzeugen, internen Richtlinien und maßgeschneiderten Workflows weitertrainieren. Das Pretraining und fortgesetzte Pretraining umfasste rund 26 Billionen Token, gefolgt von einem Post-Training mit 3,8 Millionen Stichproben und bestärkendem Lernen in NeMo Gym-Umgebungen. Offene Datensätze zu Werkzeugnutzung, Finanzen, Befolgung von Anweisungen, langem Kontext, Fairness und Vision-Language-Verständnis sind auf Hugging Face als Nemotron 3.5 Super VL Hugging Face-Ressourcen veröffentlicht worden. Scale AI hat die Architektur für den Kreditfinanzierungs-Agenten von Skydance und den M&A-Due-Diligence-Agenten von EY angepasst. TrainLoop führte ein Post-Training des Modells mit Dermatologiedaten von Nolla durch, dem ersten Unternehmen, das die Zulassung für KI zum Verfassen initialer Patientenrezepte erhielt.
Ökosystem-Nutzung in Finanzen, Cybersicherheit und Forschung
Dutzende Organisationen branchenübergreifend passen die offene Architektur für spezialisierte Einsätze an. AfterQuery hat das Modell für Hebbia zur Analyse von Kreditvereinbarungen angepasst, während AI21 und Alice es für die Abwehr von Cyberangriffen weitertrainierten. Mercor hat das Modell auf dem Coding-Benchmark APEX-SWE für Agenten feineingestellt, die Code planen, schreiben und fehlerbereinigen. ModelScope ermöglicht das Feintuning über sein ms-swift-Framework. Weitere Organisationen, die das Modell anpassen, sind Ramp für Finanzdokumenten-Intelligenz, Dream für staatliche KI-Cybersicherheitsforschung, Lila Sciences für wissenschaftliche Entdeckungen und R1 für die Analyse medizinischer Ansprüche und das Einnahmenkreislauf-Management.
Lokale Hardware-Optionen und wie man Nemotron 3.5 lokal ausführt
Das lokale Ausführen der Modellfamilie hängt von der Bereitstellungsebene in Rechenzentren, Desktop-Workstations und Edge-Geräten ab. Entwickler, die wissen möchten, wie sich Nemotron 3.5 lokal ausführen lässt, können Nemotron 3.5 Bolt 74B-A9B auf DGX Spark, DGX Station, RTX PRO-Workstations, GeForce RTX-PCs und Laptops einsetzen, die ab dem 16. Oktober 2026 verfügbar sind. Das Modell Bolt 74B-A9B nutzt native 2-Bit-Quantisierung, um in 24 GB Speicher zu passen, und unterstützt lokale Agenten-Frameworks wie llama.cpp, Ollama, LM Studio, Unsloth, Canonical und vLLM, ohne Workloads in die Cloud zu senden. Das Flaggschiffmodell 120B Super VL läuft lokal auf DGX Station- und RTX PRO-Systemen, auf Jetson am Edge oder als Microservice verpackt mit Nvidia NIM.
Was sich für Online-Shops und Unternehmen ändert
Für Unternehmenseinsätze bietet die Modellsuite optimierte offene Optionen über alle Infrastrukturebenen hinweg, ohne zwischen Leistungsfähigkeit und Bereitstellbarkeit wählen zu müssen. Die Ausführung von Nvidia Nemotron 3.5 Super VL auf Nvidia Dynamo ermöglicht es Unternehmensumgebungen, bis zu 8-mal mehr Nutzer zu bedienen und gleichzeitig die betriebliche Latenz um 85 % zu reduzieren. Organisationen erhalten die vollständige Kontrolle über Datenresidenz und Datenschutz, indem sie Modelle und Daten vollständig on-premises halten, Drittanbieter-API-Einschränkungen vermeiden und wiederkehrende Automatisierungsaufgaben wie das Scannen von Versicherungsansprüchen auf Betrug oder das Überprüfen von Kreditwürdigkeiten anhand interner Vergabekriterien durchführen.
Fragen und Antworten
Wofür wird Nvidia Nemotron 3.5 Super VL verwendet?
Das Modell treibt spezialisierte Unternehmens-Agenten an, die visuelle Dokumentenverarbeitung, optische Zeichenerkennung, Tabellen- und Diagrammanalyse, Web-Browsing, mehrstufige Geschäftsprozesse und die Nutzung von Werkzeugen in Unternehmenssoftware-Systemen ausführen.
Wie schneidet Nemotron 3.5 Super VL im Vergleich zu proprietären Frontier-Modellen ab?
Es bietet eine Genauigkeit auf Spitzenniveau, die mit Nvidias größtem proprietären Reasoning-Modell vergleichbar ist – bei etwa ein Fünftel der Parameteranzahl, während es eine bis zu 5-mal höhere Durchsatzrate bei Benchmark-Tests seiner Klasse mit offenen Gewichten, offenen Datensätzen und vollständiger lokaler Bereitstellungskontrolle erzielt.
Können Unternehmensteams Nemotron 3.5 Super VL mit eigenen Daten weitertrainieren?
Ja, Unternehmensteams können das Modell mit eigenen Daten, Unternehmensrichtlinien und spezialisierten Workflows unter Verwendung offener Gewichte, Trainingsrezepte, auf Hugging Face veröffentlichter offener Datensätze und Nvidia NeMo Python-Pipelines weitertrainieren.
Die Sicht von MOZGII
Wie wir es bauen würden
Um mehrstufige Arbeitsabläufe mit visuellen Dokumenten lokal zu verarbeiten, würden wir das offene 120-Milliarden-Parameter-Modell mit einem lokalen Dateiparser und einem sicheren Vektorspeicher kombinieren. Das Modell liest PDFs, Tabellen und Webseiten, ohne interne Dateien an externe Cloud-APIs zu senden. Wir würden das Modell über standardmäßige Softwareschnittstellen direkt mit internen Datenbanken verbinden. Menschliche Prüfer würden die extrahierten Felder kontrollieren, bevor eine Aktion Finanzbücher oder behördliche Register aktualisiert.
Das System versagt, wenn Layoutänderungen zu fehlerhaften Tabellenanalysen führen oder wenn mehrstufige Aufgaben auf langen Ausführungspfaden den Kontext verlieren. Wir würden eine strenge Schemavalidierung für jedes extrahierte Datenfeld durchsetzen, bevor nachgelagerte Tools laufen. Fachexperten würden markierte Abweichungen zwischen analysierten visuellen Tabellen und Quelldateien prüfen. Die entscheidende Kennzahl ist der End-to-End-Aufgabendurchsatz pro Serverknoten.
Als Nächstes würden wir automatisierte Pipelines zur Feinabstimmung aufbauen, um nachträglich trainierte Gewichte bei Änderungen interner Softwareschnittstellen zu aktualisieren. Wir würden auch Routinen für die Edge-Bereitstellung ergänzen, die kleinere quantisierte Modelle für Offline-Desktop-Agenten nutzen.
Quellen
Woher die Fakten dieser Meldung stammen.