Модель Nvidia Nemotron 3.5 Super VL работает в 5 раз быстрее аналогов
Компания Nvidia 15 октября 2026 года выпустила открытую модель искусственного интеллекта Nvidia Nemotron 3.5 Super VL на 120 миллиардов параметров, созданную для специализированных корпоративных агентов. Мультимодальная нейросеть обрабатывает визуальные документы, веб-страницы и многошаговые бизнес-процессы. Для корпоративных команд модель снижает требования к оборудованию до одной пятой от объема параметров более крупных рассуждающих моделей, при этом обрабатывая запросы в 8 раз большего числа пользователей с сокращением задержки на 85% на платформе Nvidia Dynamo.
Какие визуальные и агентские задачи обрабатывает модель
Nvidia Nemotron 3.5 Super VL выполняет оптическое распознавание символов, обрабатывает таблицы, диаграммы и структурированную визуальную информацию в корпоративных документах. Зрительно-языковая архитектура напрямую читает веб-страницы, извлекает текст, анализирует графики и сложные PDF-файлы. Объединение визуального восприятия и текстового анализа в единой системе позволяет программным агентам выполнять рабочие процессы без передачи контекста между отдельными моделями. Разработчики программных платформ, включая Atlassian, CrowdStrike, Dassault Systèmes, Salesforce и Perplexity, интегрируют модель для автоматизации агентского поиска в приложениях вроде Jira и Confluence, операций киберзащиты в рамках blue-teaming, инженерного моделирования и сложных государственных процессов через Missionforce Operations.
Производительность Nemotron 3.5 Super VL в бенчмарках в сравнении с флагманскими моделями
В рейтинге Artificial Analysis Intelligence Index модель демонстрирует до 5 раз более высокую пропускную способность по сравнению с другими системами своего класса. В рамках тестирования бенчмарка Nemotron 3.5 Super VL открытая модель на 120 миллиардов параметров обеспечивает точность следования инструкциям, использования инструментов, визуального понимания и выполнения многошаговых бизнес-процессов, сопоставимую с крупнейшей рассуждающей моделью Nvidia при объеме параметров примерно в пять раз меньше. К флагманской модели присоединились два решения для локальных устройств: Nemotron 3.5 Bolt 74B-A9B 24GB для локальных агентских задач, занимающая 1-е место среди открытых моделей своего класса в PinchBench и 2-е место в BrowseComp, а также Nemotron 3.5 Bolt E4B 4GB для быстрых диалоговых интерфейсов, релиз которой намечен на 23 октября 2026 года.
Как корпоративные команды дообучают и настраивают открытые веса
Организации могут дообучать открытые веса на собственных наборах данных, корпоративных инструментах, внутренних регламентах и специализированных процессах с помощью конвейеров Nvidia NeMo. Предобучение и последующее дообучение охватили около 26 триллионов токенов, за чем последовала тонкая настройка на 3,8 миллиона примеров и обучение с подкреплением в средах NeMo Gym. Открытые датасеты, охватывающие использование инструментов, финансы, следование инструкциям, работу с длинным контекстом, непревзятость и зрительно-языковое восприятие, опубликованы на Hugging Face в качестве ресурсов Nemotron 3.5 Super VL Hugging Face. Компания Scale AI адаптировала архитектуру для финансового агента поставщиков Skydance и агента комплексной проверки сделок M&A в EY. Разработчик TrainLoop дообучил модель на дерматологических данных Nolla, которая стала первой компанией, получившей разрешение на использование ИИ для выписки первичных рецептов пациентам.
Внедрение в экосистему в сфере финансов, кибербезопасности и научных исследований
Десятки организаций в самых разных отраслях дообучают открытую архитектуру для узкоспециализированного применения. Компания AfterQuery настроила модель для Hebbia с целью анализа кредитных соглашений, а AI21 и Alice провели дообучение для обеспечения устойчивости к кибератакам. Mercor оптимизировала модель на кодировочном бенчмарке APEX-SWE для агентов, которые планируют, пишут и отлаживают код. Фреймворк ms-swift от ModelScope позволяет выполнять тонкую настройку. В числе других компаний, адаптирующих модель: Ramp для интеллектуального анализа финансовых документов, Dream для исследований в области кибербезопасности суверенного ИИ, Lila Sciences для научных открытий и R1 для анализа медицинских страховых требований и управления финансовым циклом.
Локальные варианты оборудования и запуск Nemotron 3.5 на собственных устройствах
Локальный запуск семейства моделей зависит от уровня инфраструктуры: от центров обработки данных до настольных рабочих станций и периферийных устройств. Разработчики, интересующиеся тем, как запустить Nemotron 3.5 локально, могут развернуть Nemotron 3.5 Bolt 74B-A9B на системах DGX Spark, DGX Station, рабочих станциях RTX PRO, ПК GeForce RTX и ноутбуках, поступающих в продажу 16 октября 2026 года. Модель Bolt 74B-A9B использует нативное 2-битное квантование для размещения в 24 ГБ памяти, поддерживая локальные среды запуска агентов, включая llama.cpp, Ollama, LM Studio, Unsloth, Canonical и vLLM, без отправки рабочих нагрузок в облако. Флагманская модель 120B Super VL работает локально на системах DGX Station и RTX PRO, на периферийных устройствах Jetson или в виде микросервиса, упакованного с помощью Nvidia NIM.
Что меняется для интернет-магазинов и предприятий
Для корпоративного использования линейка моделей предлагает оптимизированные открытые варианты на всех уровнях инфраструктуры, избавив от необходимости выбирать между функциональностью и простотой развертывания. Запуск Nvidia Nemotron 3.5 Super VL на Nvidia Dynamo позволяет корпоративным системам обслуживать в 8 раз больше пользователей и сократить рабочие задержки на 85%. Организации получают полный контроль над размещением и конфиденциальностью данных, сохраняя модели и информацию полностью на собственной инфраструктуре. Это помогает избежать ограничений сторонних API при выполнении регулярных автоматических задач, таких как проверка страховых требований на предмет мошенничества или сверка кредитного рейтинга с внутренними критериями выдачи займов.
Вопросы и ответы
Для чего используется Nvidia Nemotron 3.5 Super VL?
Модель обеспечивает работу специализированных корпоративных агентов, выполняющих обработку визуальных документов, оптическое распознавание символов, анализ таблиц и диаграмм, просмотр веб-страниц, многошаговые бизнес-процессы и использование инструментов в корпоративных программных системах.
Как Nemotron 3.5 Super VL сравнивается с закрытыми флагманскими моделями?
Модель обеспечивает передовой уровень точности, сопоставимый с крупнейшей закрытой рассуждающей моделью Nvidia при объеме параметров примерно в пять раз меньше. При этом она достигает до 5 раз более высокой пропускной способности в бенчмарках своего класса, предоставляя открытые веса, открытые наборы данных и полный контроль над локальным развертыванием.
Могут ли корпоративные команды дообучать Nemotron 3.5 Super VL на собственных данных?
Да, корпоративные команды могут дообучать модель на конфиденциальных данных, внутренних регламентах и специализированных процессах, используя открытые веса, рецепты обучения, опубликованные на Hugging Face датасеты и конвейеры Nvidia NeMo на Python.
Взгляд MOZGII
Как бы мы это построили
Для локальной обработки многошаговых процессов с визуальными документами мы бы объединили открытую модель на 120 миллиардов параметров с локальным парсером файлов и защищенным векторным хранилищем. Модель читает PDF-файлы, таблицы и веб-страницы без отправки внутренних файлов во внешние облачные API. Мы бы подключили модель напрямую к внутренним базам данных через стандартные программные интерфейсы. Проверяющие специалисты проверяли бы извлеченные поля перед тем, как любые действия обновят финансовые отчеты или государственные реестры.
Система сбоит, когда изменения разметки приводят к некорректному разбору таблиц или когда многошаговые задачи теряют контекст на длинных маршрутах выполнения. Мы бы ввели строгую проверку схем для каждого извлеченного поля данных перед запуском последующих инструментов. Отраслевые специалисты проверяли бы отмеченные расхождения между обработанными визуальными таблицами и исходными файлами. Главный показатель для отслеживания: сквозная пропускная способность задач на один серверный узел.
Затем мы бы создали автоматизированные конвейеры тонкой настройки для обновления весов модели при изменении внутренних программных интерфейсов. Мы бы также добавили процедуры локального развертывания с использованием более компактных квантованных моделей для автономных ИИ-агентов.
Источники
Откуда взяты факты этой новости.