Nvidia Nemotron 3.5 Super VL offre une vitesse 5 fois supérieure
Nvidia a lancé le modèle Nvidia Nemotron 3.5 Super VL le 15 octobre 2026, un modèle d'intelligence artificielle ouvert de 120 milliards de paramètres conçu pour les agents d'entreprise spécialisés. Ce modèle multimodal traite les documents visuels, les pages web et les flux de travail complexes. Pour les entreprises, ce modèle réduit les besoins matériels à un cinquième du nombre de paramètres des grands modèles de raisonnement, tout en servant jusqu'à 8 fois plus d'utilisateurs avec une latence réduite de 85 % sur Nvidia Dynamo.
Tâches visuelles et d'agent que traite le modèle
Nvidia Nemotron 3.5 Super VL assure la reconnaissance optique de caractères, l'analyse de tableaux, de graphiques et d'informations visuelles structurées au sein des documents d'entreprise. Son architecture vision-langage lit les pages web, extrait le texte, analyse les schémas et traite directement les fichiers PDF complexes. Le fait de combiner la compréhension visuelle et l'analyse textuelle dans un système unique permet aux agents logiciels d'exécuter des flux de travail sans transfert de contexte entre différents modèles. Plusieurs éditeurs de plateformes informatiques, dont Atlassian, CrowdStrike, Dassault Systèmes, Salesforce et Perplexity, intègrent ce modèle pour automatiser la recherche autonome dans des applications comme Jira et Confluence, la cybersécurité offensive et défensive (blue-teaming), la simulation d'ingénierie et les flux de travail gouvernementaux complexes via Missionforce Operations.
Performances et benchmark de Nemotron 3.5 Super VL face aux modèles de pointe
Sur le classement de l'Artificial Analysis Intelligence Index, le modèle atteint un débit jusqu'à 5 fois plus rapide que les autres systèmes de sa catégorie. Selon les tests de benchmark de Nemotron 3.5 Super VL, ce modèle ouvert de 120 milliards de paramètres offre une précision équivalente au plus grand modèle de raisonnement de Nvidia pour le suivi d'instructions, l'utilisation d'outils, la compréhension visuelle et les flux de travail d'entreprise multi-étapes, tout en nécessitant environ cinq fois moins de paramètres. Deux versions destinées aux déploiements en périphérie (edge) accompagnent le modèle phare : Nemotron 3.5 Bolt 74B-A9B 24GB pour les tâches d'agents locaux — classé premier modèle ouvert de sa catégorie sur PinchBench et deuxième sur BrowseComp — et Nemotron 3.5 Bolt E4B 4GB pour les interfaces conversationnelles rapides, prévu pour le 23 octobre 2026.
Post-entraînement et personnalisation des poids ouverts pour les entreprises
Les entreprises peuvent réaliser un post-entraînement des poids ouverts sur leurs données propriétaires, outils internes, politiques d'entreprise et flux personnalisés à l'aide des pipelines Nvidia NeMo. Le pré-entraînement et sa poursuite ont couvert environ 26 mille milliards de tokens, suivis d'un post-entraînement sur 3,8 millions d'échantillons et d'un apprentissage par renforcement dans les environnements NeMo Gym. Des jeux de données ouverts sur l'utilisation d'outils, la finance, le suivi d'instructions, les longs contextes, l'équité et la compréhension vision-langage sont publiés sur Hugging Face sous forme de ressources Nemotron 3.5 Super VL Hugging Face. Scale AI a adapté l'architecture pour l'agent de crédit fournisseur de Skydance et l'agent de due diligence M&A d'EY. TrainLoop a effectué le post-entraînement du modèle avec des données dermatologiques de Nolla, première entreprise autorisée à faire rédiger des ordonnances initiales par une IA.
Adoption par l'écosystème : finance, cybersécurité et recherche
Des dizaines d'organisations issues de divers secteurs affinent cette architecture ouverte pour des déploiements spécialisés. AfterQuery a adapté le modèle pour Hebbia afin d'analyser les contrats de crédit, tandis qu'AI21 et Alice l'ont réentraîné pour la résilience face aux attaques cyber. Mercor a affiné le modèle sur le benchmark de programmation APEX-SWE pour des agents capables de planifier, rédiger et déboguer du code. ModelScope permet un affinage via son framework ms-swift. Parmi les autres entreprises adaptant le modèle figurent Ramp pour l'analyse de documents financiers, Dream pour la recherche en cybersécurité IA souveraine, Lila Sciences pour la découverte scientifique et R1 pour l'analyse des demandes de remboursement médical et la gestion du cycle de revenus.
Options matérielles locales et comment exécuter Nemotron 3.5 en local
Exécuter la famille de modèles localement dépend du niveau de déploiement souhaité, des centres de données aux stations de travail et équipements en périphérie. Les développeurs cherchant comment exécuter Nemotron 3.5 en local peuvent déployer Nemotron 3.5 Bolt 74B-A9B sur DGX Spark, DGX Station, les stations de travail RTX PRO, les PC GeForce RTX et les ordinateurs portables disponibles dès le 16 octobre 2026. Le modèle Bolt 74B-A9B utilise une quantification 2-bit native pour tenir dans 24 Go de mémoire, prenant en charge les environnements d'exécution d'agents locaux comme llama.cpp, Ollama, LM Studio, Unsloth, Canonical et vLLM sans envoyer les traitements dans le cloud. Le modèle phare 120B Super VL s'exécute localement sur DGX Station et les systèmes RTX PRO, sur Jetson en périphérie ou sous forme de microservice avec Nvidia NIM.
Ce que cela change pour les entreprises et le commerce en ligne
Pour les déploiements d'entreprise, la suite de modèles offre des options ouvertes optimisées sur l'ensemble de l'infrastructure sans imposer de compromis entre capacité et facilité de déploiement. Exécuter Nvidia Nemotron 3.5 Super VL sur Nvidia Dynamo permet aux entreprises de servir jusqu'à 8 fois plus d'utilisateurs tout en réduisant la latence opérationnelle de 85 %. Les organisations conservent un contrôle total sur la résidence et la confidentialité des données en gardant modèles et informations sur site, évitant ainsi les restrictions des API tierces lors de l'exécution de tâches répétitives d'automatisation, comme la détection de fraudes dans les déclarations de sinistres ou la vérification des scores de crédit.
Questions et réponses
À quoi sert Nvidia Nemotron 3.5 Super VL ?
Le modèle alimente des agents d'entreprise spécialisés capables d'effectuer le traitement de documents visuels, la reconnaissance optique de caractères, l'analyse de tableaux et graphiques, la navigation web, la gestion de flux de travail complexes et l'utilisation d'outils logiciels.
Comment Nemotron 3.5 Super VL se compare-t-il aux modèles propriétaires de pointe ?
Il offre une précision équivalente aux plus grands modèles propriétaires de Nvidia avec environ cinq fois moins de paramètres, tout en atteignant un débit 5 fois plus rapide sur les benchmarks de sa catégorie, le tout avec des poids ouverts, des jeux de données publics et un contrôle total pour le déploiement local.
Les entreprises peuvent-elles personnaliser et réentraîner Nemotron 3.5 Super VL sur leurs données ?
Oui, les équipes d'entreprise peuvent effectuer un post-entraînement du modèle sur leurs données propriétaires, chartes internes et flux spécifiques grâce aux poids ouverts, aux méthodologies d'entraînement, aux jeux de données publiés sur Hugging Face et aux pipelines Python Nvidia NeMo.
Le regard de MOZGII
Comment nous le construirions
Pour traiter localement des flux de travail en plusieurs étapes comprenant des documents visuels, nous associerions le modèle ouvert de 120 milliards de paramètres à un analyseur de fichiers local et à un magasin vectoriel sécurisé. Le modèle lit les PDF, les tableaux et les pages web sans transmettre de fichiers internes à des API cloud externes. Nous connecterions directement le modèle aux bases de données internes via des interfaces logicielles standards. Des réviseurs humains vérifieraient les champs extraits avant que la moindre action ne mette à jour les livres comptables ou les registres publics.
Le système flanche lorsque des changements de mise en page provoquent une mauvaise analyse des tableaux ou lorsque des tâches en plusieurs étapes perdent leur contexte au fil de longues exécutions. Nous imposerions une validation de schéma stricte pour chaque champ de données extrait avant l'exécution des outils en aval. Des experts sectoriels vérifieraient les écarts signalés entre les tableaux visuels analysés et les fichiers sources. L'indicateur clé à surveiller serait le débit de traitement des tâches de bout en bout par nœud serveur.
Ensuite, nous construirions des chaînes d'affinage automatisées pour mettre à jour les poids post-entraînés au fil de l'évolution des interfaces logicielles internes. Nous ajouterions également des routines de déploiement local utilisant des modèles quantifiés plus petits pour des agents de bureau hors ligne.
Sources
D’où viennent les faits de cet article.