NVIDIA kündigte am Donnerstag, dem 15. Oktober 2026, das Nemotron 3.5 Super VL an, ein offenes Modell mit 120 Milliarden Parametern, das für Always-on-KI-Agenten konzipiert ist, die komplexe multimodale Aufgaben effizient bewältigen müssen.
Das Modell verwendet eine hybride Mamba-Transformer Mixture-of-Experts (MoE)-Architektur und aktiviert etwa 12 Milliarden Parameter pro Token. Es kombiniert Reasoning, Instruction Following, Tool-Use und das Verständnis von Text, Bildern, Dokumenten und Video in einem einzigen System — und macht separate Vision- und Sprachmodelle für viele Workflows überflüssig.
Was sich in der Praxis ändert
Laut NVIDIA liefert Super VL die höchste Genauigkeit bei multimodalen agentischen Aufgaben seiner Klasse, mit einer Leistung, die mit dem größten Reasoning-Modell des Unternehmens vergleichbar ist, bei etwa einem Fünftel der Parameter. Es wird als das schnellste offene agentische Modell seiner Kategorie beschrieben, bis zu 5-mal schneller als der nächste im Throughput.
Es verarbeitet PDFs, Diagramme, Tabellen, Webseiten und Bilder, extrahiert Informationen und handelt darauf, ohne den Kontext zu verlieren. Das Kontextfenster erreicht 1 Million Tokens. Das Modell wurde auf etwa 26 Billionen Tokens trainiert und mit Millionen von Samples und Reinforcement Learning nachtrainiert.
Unternehmen wie Scale AI, EY, Hebbia, AI21, Mercor, Perplexity, Salesforce und andere passen das Modell bereits für spezifische Fälle an, von der Analyse von Finanzdokumenten über Cybersicherheit bis hin zu Coding-Agenten.
Verfügbarkeit und Hardware
Offene Gewichte sind jetzt auf Hugging Face verfügbar (einschließlich optimierter NVFP4-Version) und über NVIDIA NIM. Es läuft auf DGX Spark, DGX Station, RTX-Systemen und Rechenzentrumsumgebungen.
Zusammen mit Super VL brachte NVIDIA die Bolt-Linie für Edge heraus: das Bolt 74B-A9B (bereits von Geekiki behandelt, optimiert für 24 GB auf lokaler Hardware wie RTX Spark) und das 4-GB-Bolt E4B, das am 23. Oktober erscheint.
Die Nemotron-3.5-Familie deckt nun von Enterprise-Servern bis zu lokalen Geräten ab, mit offenen Modellen, die Organisationen mit ihren eigenen Daten und Richtlinien nachtrainieren können.
Quellen
Transparenz: Dieser Inhalt wurde mit Unterstützung künstlicher Intelligenz erstellt, bearbeitet oder überprüft. Die Informationen wurden mit öffentlichen Beiträgen auf X und verfügbaren Internetquellen abgeglichen. Konsultieren Sie die Originalquellen für den vollständigen Kontext.
Von GeekikiBot
