Modelo Nvidia Nemotron 3.5 Super VL entrega velocidade 5x maior
A Nvidia lançou o Nvidia Nemotron 3.5 Super VL em 15 de outubro de 2026, apresentando um modelo aberto de inteligência artificial de 120 bilhões de parâmetros desenvolvido para agentes empresariais especializados. O modelo multimodal processa documentos visuais, páginas da web e fluxos de trabalho corporativos de várias etapas. Para equipes de empresas, o modelo reduz as exigências de hardware para um quinto do número de parâmetros de modelos de raciocínio maiores, enquanto atende até 8x mais usuários com latência 85% menor no Nvidia Dynamo.
Quais tarefas visuais e de agentes o modelo processa
O Nvidia Nemotron 3.5 Super VL processa reconhecimento ótico de caracteres, tabelas, gráficos e informações visuais estruturadas em documentos corporativos. A arquitetura de visão e linguagem lê páginas da web, extrai texto, analisa gráficos e processa arquivos PDF complexos diretamente. A combinação de compreensão visual e análise de texto em um único sistema permite que agentes de software executem fluxos de trabalho sem transferir contexto entre modelos separados. Empresas de plataformas de software como Atlassian, CrowdStrike, Dassault Systèmes, Salesforce e Perplexity integram o modelo para automatizar buscas por agentes em aplicativos como Jira e Confluence, operações de segurança cibernética do tipo blue team, simulação de engenharia e fluxos governamentais complexos por meio do Missionforce Operations.
Nemotron 3.5 Super VL benchmark e desempenho em comparação com modelos de ponta
No painel do Artificial Analysis Intelligence Index, o modelo alcança uma vazão até 5x mais rápida do que outros sistemas da sua categoria. Em testes de Nemotron 3.5 Super VL benchmark, o modelo aberto de 120 bilhões de parâmetros oferece precisão em seguimento de instruções, uso de ferramentas, compreensão visual e fluxos de trabalho empresariais de várias etapas comparável ao maior modelo de raciocínio da Nvidia, com cerca de um quinto do número de parâmetros. Junto ao modelo principal, estão dois lançamentos para borda: o Nemotron 3.5 Bolt 74B-A9B 24GB para tarefas locais de agentes, que ocupa o 1º lugar entre modelos abertos da sua classe no PinchBench e o 2º no BrowseComp, e o Nemotron 3.5 Bolt E4B 4GB para interfaces de conversa rápidas, previsto para 23 de outubro de 2026.
Como equipes empresariais fazem pós-treinamento e personalizam pesos abertos
Organizações podem realizar o pós-treinamento dos pesos abertos em conjuntos de dados proprietários, ferramentas corporativas, políticas internas e fluxos de trabalho personalizados usando pipelines do Nvidia NeMo. O pré-treinamento e o pré-treinamento contínuo abrangeram cerca de 26 trilhões de tokens, seguidos por pós-treinamento em 3,8 milhões de amostras e aprendizado por reforço em ambientes NeMo Gym. Conjuntos de dados abertos cobrindo uso de ferramentas, finanças, seguimento de instruções, contexto longo, equidade e compreensão de visão e linguagem estão publicados no Hugging Face como recursos do Nemotron 3.5 Super VL Hugging Face. A Scale AI personalizou a arquitetura para o agente financeiro de crédito a fornecedores da Skydance e o agente de auditoria de M&A da EY. A TrainLoop realizou o pós-treinamento do modelo com dados de dermatologia da Nolla, que se tornou a primeira empresa aprovada para IA prescrever receitas iniciais de pacientes.
Adoção no ecossistema em finanças, segurança cibernética e descoberta
Dezenas de organizações de vários setores estão ajustando a arquitetura aberta para implantações especializadas. A AfterQuery personalizou o modelo para a Hebbia conduzir análises de contratos de crédito, enquanto a AI21 e a Alice realizaram o pós-treinamento para resiliência a ataques de segurança cibernética. A Mercor fez o ajuste fino do modelo no benchmark de programação APEX-SWE para agentes que planejam, escrevem e depuram código. A ModelScope permite o ajuste fino por meio da sua estrutura ms-swift. Outras organizações que estão personalizando o modelo incluem a Ramp para inteligência de documentos financeiros, a Dream para pesquisas em segurança cibernética de IA soberana, a Lila Sciences para descobertas científicas e a R1 para análise de sinistros médicos e gestão do ciclo de receita.
Opções de hardware local e como rodar o Nemotron 3.5 localmente
Executar a família de modelos localmente depende do nível de implantação em centros de dados, estações de trabalho desktop e dispositivos de borda. Desenvolvedores que buscam como rodar o Nemotron 3.5 localmente podem implantar o Nemotron 3.5 Bolt 74B-A9B em estações DGX Spark, DGX Station, estações de trabalho RTX PRO, PCs GeForce RTX e notebooks a partir de 16 de outubro de 2026. O modelo Bolt 74B-A9B utiliza quantização nativa de 2 bits para caber em 24GB de memória, suportando estruturas locais de agentes como llama.cpp, Ollama, LM Studio, Unsloth, Canonical e vLLM sem enviar cargas de trabalho para a nuvem. O modelo principal 120B Super VL roda localmente em sistemas DGX Station e RTX PRO, na plataforma Jetson na borda ou como um microsserviço empacotado com o Nvidia NIM.
O que muda para lojas online e empresas
Para implantações empresariais, a suíte de modelos oferece opções abertas otimizadas em todos os níveis de infraestrutura sem forçar uma escolha entre capacidade e facilidade de implantação. Executar o Nvidia Nemotron 3.5 Super VL no Nvidia Dynamo permite que ambientes empresariais atendam até 8x mais usuários enquanto reduzem a latência operacional em 85%. As organizações ganham controle total sobre a residência e a privacidade dos dados ao manter os modelos e os dados totalmente nas instalações locais, evitando restrições de APIs de terceiros enquanto executam tarefas repetitivas de automação, como verificar fraudes em relatórios de seguros ou checar pontuações de crédito em relação a critérios internos de empréstimo.
Perguntas e respostas
Para que serve o Nvidia Nemotron 3.5 Super VL?
O modelo alimenta agentes empresariais especializados que executam processamento de documentos visuais, reconhecimento ótico de caracteres, análise de tabelas e gráficos, navegação na web, fluxos de trabalho empresariais de várias etapas e uso de ferramentas em sistemas de software corporativos.
Como o Nemotron 3.5 Super VL se compara aos modelos fechados de ponta?
Ele oferece precisão de nível de ponta comparável ao maior modelo proprietário de raciocínio da Nvidia com cerca de um quinto do número de parâmetros, alcançando uma vazão até 5x mais rápida em benchmarks da categoria com pesos abertos, conjuntos de dados abertos e controle total de implantação local.
As equipes empresariais podem realizar o pós-treinamento do Nemotron 3.5 Super VL com dados personalizados?
Sim, as equipes empresariais podem realizar o pós-treinamento do modelo com dados proprietários, políticas corporativas e fluxos de trabalho especializados usando pesos abertos, receitas de treinamento, conjuntos de dados abertos publicados no Hugging Face e pipelines em Python do Nvidia NeMo.
A visão da MOZGII
Como nós construiríamos
Para processar fluxos de trabalho de várias etapas com documentos visuais localmente, combinaríamos o modelo aberto de 120 bilhões de parâmetros com um analisador de arquivos local e um armazenamento vetorial seguro. O modelo lê PDFs, tabelas e páginas da web sem enviar arquivos internos para APIs de nuvem externas. Conectaríamos o modelo diretamente a bancos de dados internos usando interfaces de software padrão. Revisores humanos verificariam os campos extraídos antes que qualquer ação atualizasse livros contábeis ou registros governamentais.
O sistema falha quando mudanças de layout causam a leitura incorreta de tabelas ou quando tarefas de várias etapas perdem o contexto em longos caminhos de execução. Aplicaríamos uma validação rigorosa de esquema em cada campo de dados extraído antes da execução de ferramentas subsequentes. Especialistas do setor auditariam as divergências sinalizadas entre tabelas visuais analisadas e arquivos de origem. A métrica principal a ser monitorada é o rendimento de tarefas de ponta a ponta por nó de servidor.
Em seguida, construiríamos pipelines automatizados de ajuste fino para atualizar os pesos pós-treinados conforme as interfaces de software internas mudarem. Também adicionaríamos rotinas de implantação na borda usando modelos quantizados menores para agentes de desktop offline.
Fontes
De onde vêm os fatos desta matéria.