NVIDIA wprowadza otwarte modele Nemotron 3.5 Super VL i Bolt Edge

NVIDIA udostępniła Nemotron 3.5 Super VL 15 października 2026 r. To otwarty, multimodalny model o 120 miliardach parametrów, przeznaczony do wyspecjalizowanych agentów działających nieprzerwanie. Wraz z nim firma wprowadziła dwa mniejsze modele Bolt, przeznaczone do pracy na urządzeniach brzegowych i lokalnym sprzęcie. Super VL oraz Nemotron 3.5 Bolt 74B-A9B 24GB są już dostępne, natomiast premierę Nemotron 3.5 Bolt E4B 4GB zaplanowano na 23 października 2026 r.

Nowe modele poszerzają rodzinę Nemotron, którą NVIDIA porządkuje według poziomu wdrożenia. Wydany w sierpniu Lightning obsługuje zadania wymagające wysokiej przepustowości, Ultra radzi sobie z najtrudniejszymi zadaniami związanymi z rozumowaniem, a Bolt jest przeznaczony do zastosowań brzegowych. NVIDIA poinformowała, że te trzy nowe otwarte modele razem obejmują pełny zakres wdrożeń agentów — od dużych serwerów korporacyjnych po urządzenia brzegowe i lokalny sprzęt — a Super VL powstał we współpracy z Nemotron Coalition.

Architektura i deklarowana wydajność

Super VL wykorzystuje architekturę typu mieszanka ekspertów o 120 miliardach parametrów, która aktywuje 12 miliardów parametrów na token. NVIDIA poinformowała, że model osiąga dokładność porównywalną z jej największym modelem rozumującym w multimodalnych zadaniach agentowych, takich jak wykonywanie instrukcji, korzystanie z narzędzi, wieloetapowe procesy biznesowe i rozumienie treści wizualnych, przy około jednej piątej liczby jego parametrów. NVIDIA określa go również jako najszybszy otwarty model agentowy w swojej klasie, podając, że na pojedynczym GPU zapewnia nawet 5 razy większą przepustowość niż inne otwarte modele z tej kategorii wielkości.

Model łączy rozumowanie, wykonywanie instrukcji i korzystanie z narzędzi z rozumieniem tekstu, obrazów, dokumentów i wideo w jednym systemie. Jak podaje blog techniczny NVIDIA, taka integracja pozwala zespołom realizować zadania tekstowe i wizualne bez wdrażania oddzielnych modeli tekstowych i modeli wizyjno-językowych ani przekazywania między nimi kontekstu zadania. NVIDIA poinformowała, że trening wizyjno-językowy modelu obejmuje zagadnienia, z którymi agenci stykają się w praktyce: optyczne rozpoznawanie znaków, tabele, wykresy oraz ustrukturyzowane informacje w dokumentach wizualnych, takich jak strony internetowe i pliki PDF.

Z opublikowanych przez NVIDIA wyników ewaluacji wynika, że Super VL uzyskał 63,44% w Hermes Bench i 87,05% w testach behawioralnych LangChain, podczas gdy Nemotron 3 Ultra osiągnął odpowiednio 56,33% i 84,3%. W CharXiv, teście porównawczym rozumowania na podstawie wykresów, Super VL uzyskał według NVIDIA 80,8%, a Nemotron 3 Nano Omni — 63%. Wynik Super VL wzrasta do 84%, gdy model korzysta z interpretacji kodu Python. NVIDIA określa również Super VL jako jeden z czołowych otwartych modeli w rankingu OCRBench v2. Z kolei według wpisu na blogu technicznym niezależna ewaluacja przeprowadzona przez EXO Labs umieściła go na granicy Pareto pod względem dokładności i czasu realizacji zadań na DGX Spark.

Projekt treningu i wnioskowania

Super VL powstał w wyniku destylacji modelu Nemotron 3 Ultra. Wpis na blogu technicznym przypisuje poprawę dokładności kodowania możliwościom Ultra w zakresie programowania oraz funkcji straty SkewReverse zastosowanej podczas destylacji. W trakcie treningu końcowego destylacja on-policy z udziałem wielu nauczycieli łączy wskazówki od wyspecjalizowanych modeli nauczycielskich obsługujących tekst i obraz. Modele te oceniają odpowiedzi Super VL pod kątem rozumowania i śledzenia wideo, korzystania z narzędzi wizyjnych oraz zgodności z wytycznymi. Wpis na blogu technicznym wspomina również o wkładzie organizacji należących do Nemotron Coalition: zbiory danych od Perplexity wsparły środkowy etap treningu modelu, a środowiska od Prime Intellect wykorzystano do budowy modeli nauczycielskich.

Nemotron 3.5 Super VL wytrenowano na około 26 bilionach tokenów podczas treningu wstępnego i dalszego treningu wstępnego, a następnie poddano treningowi końcowemu z wykorzystaniem około 3,8 miliona próbek i uczenia przez wzmacnianie w dziesiątkach środowisk. Dalszy trening wstępny objął 10 miliardów tokenów w językach indyjskich. NVIDIA udostępnia również zbiór danych obejmujący około 2,8 biliona tokenów w 22 językach indyjskich, opracowany we współpracy z IIT Madras i należącym do tej uczelni laboratorium AI4Bharat.

W ramach premiery udostępniono checkpointy bazowe, po treningu końcowym oraz skwantyzowane w formacie NVFP4. Przepis NVFP4 wykorzystuje 4-bitowe wagi i aktywacje w architekturze NVIDIA Blackwell, a także destylację uwzględniającą kwantyzację, której celem jest zmniejszenie spadku dokładności powodowanego przez kwantyzację. Według NVIDIA otwarta technika spekulacyjnego dekodowania o nazwie LiLiCorr pozwala generować tokeny nawet 2,3 raza szybciej niż dekodowanie bez spekulacji na DGX Spark. Predykcja wielu tokenów zapewnia modelowi wewnętrzny moduł wstępnie generujący, który proponuje kilka tokenów do weryfikacji w jednym przebiegu w przód, a optymalizacje obsługi z ponownym wykorzystaniem kontekstu pozwalają zachować zarówno pamięci podręczne mechanizmu uwagi, jak i rekurencyjne stany Mamba podczas kolejnych wywołań agenta.

Modele Bolt na urządzenia brzegowe

Bolt 74B-A9B 24GB wykorzystuje natywną kwantyzację 2-bitową, dzięki czemu mieści się w 24 GB pamięci i może działać lokalnie na urządzeniach NVIDIA RTX oraz DGX Spark, równolegle z innymi aplikacjami. NVIDIA określa go jako najlepszy otwarty model w swojej klasie w teście PinchBench i drugi w rankingu otwartych modeli BrowseComp. Model jest dostępny w serwisie Hugging Face i obsługuje llama.cpp, Ollama, LM Studio, Unsloth oraz vLLM. Został zaprojektowany z myślą o laptopach NVIDIA RTX Spark, które trafią na rynek 16 października 2026 r. Działa również na komputerach GeForce RTX, DGX Spark, DGX Station i stacjach roboczych RTX PRO.

Bolt E4B 4GB jest przeznaczony do zastosowania w agentach fizycznych i konwersacyjnych działających na GeForce RTX, Jetson oraz RTX/DGX Spark. Łączy naturalną konwersację z wieloturowymi możliwościami agentowymi, przydatnymi w lokalnych asystentach głosowych, interaktywnych postaciach i interfejsach wbudowanych.

Dostosowywanie, pierwsi użytkownicy i wdrażanie

Model jest udostępniany z otwartymi wagami, otwartymi zbiorami danych i przepisami treningowymi, a jego dostosowywanie jest możliwe za pomocą NVIDIA NeMo, potoków opartych na Pythonie i otwartych zbiorów danych. NVIDIA udostępnia na Hugging Face otwarte zbiory danych obejmujące użycie narzędzi przez agentów, finanse, wykonywanie instrukcji, długi kontekst, równe traktowanie oraz 45 zbiorów danych dotyczących wizji i języka, a także środowiska uczenia przez wzmacnianie w NeMo Gym.

Według NVIDIA dziesiątki organizacji prowadzą dalsze trenowanie Super VL na własnych danych, narzędziach, zasadach i w ramach własnych przepływów pracy. Scale AI przeprowadziła dalsze trenowanie modelu na potrzeby agenta finansowego Skydance ds. kredytów dla dostawców oraz agenta EY do badania due diligence w transakcjach M&A; we wpisie technicznym podano, że koszt wnioskowania w przypadku obciążenia Skydance spadnie 40-krotnie, a opóźnienie — 5-krotnie. AfterQuery dostosowała model dla Hebbia do analizy umów kredytowych, a AI21 i Alice przeprowadziły jego dalsze trenowanie pod kątem odporności na cyberataki; NVIDIA informuje, że w przypadku analizy zagrożeń i podatności przez Alice dokładność wzrosła o 40%. Mercor przeprowadziła dalsze trenowanie modelu na benchmarku programistycznym APEX-SWE z myślą o agentach programistycznych, które planują, piszą i debugują kod. Ramp przekształca obrazy paragonów w ustrukturyzowane dane JSON zawierające informacje o sprzedawcy, daty i dane dotyczące płatności, a według wpisu technicznego spodziewa się wzrostu przepustowości nawet o 50% i 10-krotnego skrócenia opóźnienia.

Firmy tworzące platformy programistyczne, które integrują Super VL, to Atlassian — w celu umożliwienia wyszukiwania z użyciem agentów w aplikacjach takich jak Jira i Confluence; CrowdStrike — na potrzeby agentowych działań zespołów obronnych w obszarze bezpieczeństwa przedsiębiorstw; Dassault Systèmes — do projektowania inżynieryjnego i symulacji; oraz Perplexity — do wyszukiwania i zadań wykonywanych przez agentów. Salesforce dostosowuje Nemotron, aby zasilać agentów AI, które cyfryzują i automatyzują rządowe przepływy pracy za pośrednictwem Missionforce Operations, a oprogramowanie Synopsys do weryfikacji projektów półprzewodników współpracuje z modelem.

Na potrzeby wdrożeń NVIDIA NIM udostępnia model w postaci mikrousługi gotowej do użytku produkcyjnego, aktualizowanej co dwa tygodnie o poprawki zabezpieczeń i ulepszenia wydajności. Według NVIDIA przy użyciu 16 procesorów graficznych B200 i szybkości 50 tokenów na sekundę na użytkownika obsługa przez Dynamo z routingiem uwzględniającym pamięć podręczną KV umożliwia obsługę nawet 8 razy większej liczby użytkowników, jednocześnie skracając opóźnienie do pierwszego tokenu o 85%. Super VL jest już dostępny w Hugging Face, OpenRouter i ModelScope oraz jako NVIDIA NIM; działa na platformach DGX Spark, DGX Station, systemach RTX PRO i RTX, Jetson, a także w środowiskach centrów danych i chmurze.