NVIDIA выпускает открытые модели Nemotron 3.5 Super VL и Bolt Edge

NVIDIA выпустила Nemotron 3.5 Super VL 15 октября 2026 года. Эта открытая мультимодальная модель со 120 млрд параметров предназначена для специализированных постоянно работающих ИИ-агентов. Одновременно компания представила две более компактные модели Bolt для периферийных устройств и локального оборудования. Super VL и Nemotron 3.5 Bolt 74B-A9B 24GB уже доступны, а выход Nemotron 3.5 Bolt E4B 4GB запланирован на 23 октября 2026 года.

Эти выпуски расширяют семейство Nemotron, которое NVIDIA делит по уровню развертывания. Выпущенная в августе модель Lightning рассчитана на задачи с высокой пропускной способностью, Ultra выполняет наиболее сложные задачи на рассуждение, а Bolt предназначена для периферийных устройств. По словам NVIDIA, три новые открытые модели вместе охватывают весь спектр развертывания ИИ-агентов — от крупных корпоративных серверов до периферийных устройств и локального оборудования. Super VL была создана в сотрудничестве с Nemotron Coalition.

Архитектура и заявленные показатели производительности

В Super VL используется архитектура смеси экспертов со 120 млрд параметров, из которых для каждого токена активируются 12 млрд. По словам NVIDIA, точность модели при выполнении мультимодальных агентных задач — в том числе следовании инструкциям, использовании инструментов, многоэтапных бизнес-процессах и визуальном понимании — сопоставима с показателями крупнейшей модели компании, предназначенной для рассуждений, хотя число параметров у Super VL примерно в пять раз меньше. NVIDIA также называет её самой быстрой открытой моделью для ИИ-агентов в своём классе: по данным компании, на одном графическом процессоре её пропускная способность до 5 раз выше, чем у других открытых моделей той же размерной категории.

В одной системе модель объединяет рассуждения, следование инструкциям и использование инструментов с пониманием текста, изображений, документов и видео. Как отмечается в техническом блоге NVIDIA, такая интеграция позволяет командам решать текстовые и визуальные задачи, не разворачивая отдельные текстовые и визуально-языковые модели и не передавая между ними контекст задачи. По словам NVIDIA, обучение модели в области визуально-языковых задач ориентировано на то, с чем ИИ-агенты сталкиваются на практике: оптическое распознавание символов, таблицы, диаграммы и структурированную информацию в визуальных документах, например на веб-страницах и в PDF-файлах.

По опубликованным NVIDIA результатам оценки, Super VL набрала 63,44% в Hermes Bench и 87,05% в поведенческих тестах LangChain, тогда как показатели Nemotron 3 Ultra составили 56,33% и 84,3% соответственно. В CharXiv — тесте на рассуждения по диаграммам — NVIDIA сообщает о результате Super VL в 80,8% против 63% у Nemotron 3 Nano Omni; при использовании моделью интерпретации кода Python показатель возрастает до 84%. NVIDIA также называет Super VL одной из лучших открытых моделей в рейтинге OCRBench v2. Кроме того, в техническом блоге говорится, что независимая оценка EXO Labs поместила её на границу Парето по точности и времени выполнения задач на DGX Spark.

Обучение и архитектура инференса

Super VL была дистиллирована из Nemotron 3 Ultra. В техническом блоге улучшение точности при написании кода связывают со способностями Ultra к программированию и функцией потерь SkewReverse, применявшейся при дистилляции. На этапе последующего обучения многопедагогическая дистилляция в режиме on-policy объединяет рекомендации специализированных моделей-учителей для работы с текстом и изображениями; они оценивают ответы модели по таким направлениям, как рассуждения и отслеживание в видео, использование инструментов для работы с визуальными данными и согласованность. В техническом блоге также отмечен вклад организаций Nemotron Coalition: наборы данных от Perplexity использовались для промежуточного обучения модели, а среды от Prime Intellect — для создания моделей-учителей.

Nemotron 3.5 Super VL обучалась примерно на 26 трлн токенов в ходе предварительного и продолженного предварительного обучения, а затем прошла последующее обучение примерно на 3,8 млн примеров и обучение с подкреплением в десятках сред. В ходе продолженного предварительного обучения было добавлено 10 млрд токенов на индийских языках. NVIDIA также выпускает набор данных примерно из 2,8 трлн токенов на 22 языках Индии, разработанный совместно с IIT Madras и его лабораторией AI4Bharat.

Выпуск включает базовые контрольные точки, контрольные точки после обучения и версии с квантованием NVFP4. В рецепте NVFP4 используются 4-битные веса и активации на архитектуре NVIDIA Blackwell, а также дистилляция с учётом квантования, призванная сократить потерю точности, вызванную квантованием. По данным NVIDIA, открытая технология спекулятивного декодирования LiLiCorr обеспечивает генерацию токенов до 2,3 раза быстрее, чем декодирование без спекуляции, на DGX Spark. Предсказание нескольких токенов даёт модели встроенный модуль-предсказатель, который предлагает несколько токенов для проверки за один прямой проход. Оптимизации обработки запросов с повторным использованием контекста сохраняют кэши внимания и рекуррентные состояния Mamba при повторных вызовах ИИ-агента.

Модели Bolt для периферийных устройств

В модели Bolt 74B-A9B 24GB используется встроенное 2-битное квантование, позволяющее ей занимать 24 ГБ памяти и работать локально на NVIDIA RTX и DGX Spark одновременно с другими приложениями. NVIDIA называет её лучшей открытой моделью в своём классе по результатам PinchBench и второй среди открытых моделей в BrowseComp. Модель доступна на Hugging Face и поддерживает llama.cpp, Ollama, LM Studio, Unsloth и vLLM. Она предназначена для ноутбуков NVIDIA RTX Spark, выход которых ожидается 16 октября 2026 года, а также работает на ПК с GeForce RTX, DGX Spark, DGX Station и рабочих станциях RTX PRO.

Модель Bolt E4B 4GB предназначена для физических и разговорных ИИ-агентов на GeForce RTX, Jetson и RTX/DGX Spark. Она сочетает естественное общение с многошаговыми агентными возможностями и подходит для локальных голосовых помощников, интерактивных персонажей и встроенных интерфейсов.

Настройка, первые пользователи и развертывание

Модель поставляется с открытыми весами, открытыми наборами данных и рецептами обучения; её можно настраивать с помощью NVIDIA NeMo, конвейеров на Python и открытых наборов данных. NVIDIA публикует на Hugging Face открытые наборы данных по использованию инструментов ИИ-агентами, финансам, следованию инструкциям, работе с длинным контекстом и обеспечению справедливости, а также 45 наборов данных для компьютерного зрения и обработки языка. Кроме того, в NeMo Gym доступны среды для обучения с подкреплением.

По данным NVIDIA, десятки организаций дообучают Super VL на собственных данных, инструментах, политиках и рабочих процессах. Scale AI дообучила модель для финансового ИИ-агента Skydance, работающего с кредитованием поставщиков, и ИИ-агента EY для комплексной проверки в рамках сделок M&A; в техническом блоге говорится, что для рабочей нагрузки Skydance стоимость инференса снизится в 40 раз, а задержка — в 5 раз. AfterQuery адаптировала модель для Hebbia, чтобы анализировать кредитные соглашения, а AI21 и Alice дообучили её для повышения устойчивости к кибератакам. По данным NVIDIA, точность анализа данных о киберугрозах и уязвимостях у Alice выросла на 40%. Mercor дообучила модель на тесте APEX-SWE для программных ИИ-агентов, которые планируют, пишут и отлаживают код. Ramp преобразует изображения чеков в структурированные данные JSON со сведениями о продавце, датами и данными об оплате и рассчитывает увеличить пропускную способность до 50% и снизить задержку в 10 раз, согласно техническому блогу.

Среди компаний, разрабатывающих программные платформы и интегрирующих Super VL, — Atlassian, которая использует ИИ-агентов для поиска в таких приложениях, как Jira и Confluence; CrowdStrike, применяющая ИИ-агентов для работы команды защиты в сфере корпоративной кибербезопасности; Dassault Systèmes, использующая модель для инженерного проектирования и моделирования; и Perplexity, применяющая её для поиска и задач с участием ИИ-агентов. Salesforce адаптирует Nemotron для ИИ-агентов, которые оцифровывают и автоматизируют рабочие процессы государственных учреждений с помощью Missionforce Operations. Программное обеспечение Synopsys для проверки проектов полупроводниковых устройств также взаимодействует с моделью.

Для развертывания NVIDIA NIM поставляет модель в виде готового к эксплуатации микросервиса, который обновляется каждые две недели и получает исправления безопасности и улучшения производительности. По данным NVIDIA, при работе на 16 графических процессорах B200 и скорости 50 токенов в секунду на пользователя сервис Dynamo с маршрутизацией с учетом KV-кэша обслуживает до 8 раз больше пользователей, одновременно снижая задержку до первого токена на 85%. Super VL уже доступна на Hugging Face, OpenRouter и ModelScope, а также в составе NVIDIA NIM; модель работает на DGX Spark, DGX Station, системах RTX PRO и RTX, Jetson, а также в центрах обработки данных и облачных средах.