AI-modeller och plattformar

NVIDIA utökar sin portfölj av öppna modeller för Europas suveräna AI

mm
Lägg till Unite.AI bland dina föredragna källor på Google

Den 21 oktober 2026 meddelade NVIDIA att företaget utökar sin familj av öppna modeller inom språk, robotik, biologi och kvantberäkning – en portfölj som företaget positionerar för att stödja Europas suveräna AI. Enligt NVIDIA ger de öppna modellerna organisationer en grund som de kan anpassa med lokala data och driftsätta på infrastruktur som de själva kontrollerar. Det gör det möjligt för utvecklare, forskare och företag att bygga applikationer anpassade efter lokala språk och branscher.

Portföljen omfattar de nya modellerna NVIDIA Nemotron 3.5 Super VL och Nemotron 3.5 Bolt, nya NVIDIA Nemotron Retriever-modeller för inbäddning, omrangering och dokumenttolkning, den nya familjen NVIDIA Kumo med grundmodeller med öppna vikter och bibliotek för strukturerade företagsdata, NVIDIA Cosmos 3.5-världsmodeller, NVIDIA Alpamayo 2 Edge för autonoma fordon, NVIDIA BioNeMo för hälso- och sjukvård samt vetenskaplig forskning och NVIDIA Ising för kvantberäkning.

Nemotron-ekosystemet och företagens användning

Nemotron-serien erbjuder öppna språkmodeller tillsammans med datauppsättningar och träningsrecept för utvecklare som bygger agenter. Enligt NVIDIA hanterar modellerna både text och bilder och är avsedda att hjälpa agenter att samordna arbetsflöden, lösa komplexa problem och utföra specialiserade uppgifter till lägre kostnad. Modellerna bygger på data, forskning och expertis som bidragit genom NVIDIA Nemotron Coalition, däribland de europeiska partnerna Black Forest Labs, H-Company och Mistral.

Dassault Systèmes, Domyn, Dream, Palantirs kunder, Salesforce, SAP, Shopify, Synopsys och WPP, liksom leverantörerna av professionella tjänster Accenture och EY, arbetar med Nemotron-modeller och datauppsättningar för att skapa anpassade modeller och bygga domänspecifika agenter, enligt NVIDIA. Företaget namngav också ett ekosystem av partner för efterträning som anpassar Nemotron för domänspecifika arbetsbelastningar: AfterQuery, AgileRL, AI21, Alice, Applied Compute, Baseten, CoreWeave, Distil Labs, EON, Fastino, Fireworks, Google Cloud, Mercor, Multiverse Computing, Nebius, Handshake AI, Plurai, Prime Intellect, River.AI, Scale AI, Trajectory och TNG.

Portföljutökningen följer på NVIDIAs lansering den 15 oktober 2026 av Nemotron 3.5 Super VL och kantmodellerna Nemotron 3.5 Bolt, som tillförde familjen en syn- och språkmodell med 120 miljarder parametrar och två Bolt-varianter som kan driftsättas lokalt.

Kumo-modeller för strukturerade företagsdata

Kumo-serien består av öppna grundmodeller, bibliotek och verktyg för strukturerade företagsdata. De kan användas för att förutsäga utfall, upptäcka risk för bedrägerier och föreslå nästa åtgärder för agenter och applikationer. Kumo ingår i NVIDIA Agent Knowledge Foundation och är avsett att förkorta tiden till prognoser och undanröja behovet av att bygga en separat maskininlärningspipeline för varje uppgift, vilket minskar kostnader och komplexitet, enligt NVIDIA.

Kumo-portföljen omfattar NVIDIA Kumo Structured, med modeller för prediktion, prognostisering och avvikelsedetektering i relationsdata och tabelldata, samt NVIDIA Kumo Engine, en öppen biblioteksmiljö för utveckling och driftsättning av grundmodeller för strukturerade data. Utvecklare kan börja med förtränade Kumo-modeller och sedan finjustera dem med egna data när högre prestanda är avgörande.

Cognite, Coinbase, Databricks, DoorDash, Revolut och Tubi hör till de första som arbetar med Kumo-modeller för att påskynda utvecklingen, uppger NVIDIA. Snowflakes kunder använder redan modellerna inom bland annat reklam, energi, finansiella tjänster och detaljhandel.

Cosmos-verktyg och Alpamayo 2 Edge

Cosmos, NVIDIAs familj av öppna grundmodeller för världen, riktar sig till utvecklare som bygger robotar, autonoma fordon och synagenter som verkar i den fysiska världen. De nya verktygen för efterträning och optimering av Cosmos ska förbättra världsmodeller med mindre beräkningskraft, och nya simuleringskontrollpunkter gör det möjligt för utvecklare att utvärdera beteenden i interaktiva scenarier för bilkörning och robotmanipulation innan de testar i verkligheten.

NVIDIA presenterade också Cosmos Data Factory, en uppsättning ritningar och grundläggande agentfärdigheter för att kurera, märka, generera och utvärdera träningsdata för körscenarier, produktdefekter, bildaugmentering och händelsegenerering. Utvecklare kan köra hela arbetsflöden eller välja enskilda funktioner, medan agenter samordnar processen. Porsche tillsammans med Voxel51, ANYbotics tillsammans med Encord, Zalando, CEVA Logistics tillsammans med Sereact och Siemens använder Cosmos Data Factory för att skapa träningsdatauppsättningar och förbättra modellernas precision, enligt NVIDIA.

För autonom körning samlar NVIDIA Alpamayo 2 Edge realtidsförståelse av omgivningen och rörelseplanering i en kompakt resonemangsmodell som körs direkt i fordonet. Modellen bygger på den Nemotron-baserade grunden i Cosmos 3 Edge och är optimerad för plattformen NVIDIA DRIVE AGX Thor. NVIDIA uppger att den gör det möjligt för utvecklare att erbjuda avancerade körfunktioner med lägre krav på beräkningskapacitet i fordonet. Alpamayo 2 Edge blir tillgänglig för nedladdning på GitHub och Hugging Face senare i oktober 2026.

Proteinmodellering och kvantmodeller

NVIDIA BioNeMo RFD4-Proteina är en öppen modell för proteindesign, utvecklad av NVIDIA och Baker Lab vid University of Washingtons Institute for Protein Design. Den genererar proteinsekvenser och tredimensionella strukturer och stöder forskning om proteiner som binder till svåråtkomliga mål, sätts samman till komplexa strukturer eller fäster vid små molekyler. NVIDIA uppger att RFD4-Proteina presterar ledande inom fler än 10 uppgifter inom proteindesign och genererar designer ungefär 13 gånger snabbare än RFdiffusion3 i ett riktmärke med proteiner på 200 aminosyror. Med hjälp av agenter kan forskare generera och utvärdera kandidatdesigner utifrån designmål och molekylära begränsningar innan de väljer vilka som ska testas i laboratoriet.

NVIDIA Ising är en familj av öppna modeller som är tänkta att utgöra en gemensam, utbyggbar grund för kvantberäkning, från kalibrering av hårdvara i realtid till felkorrigering för olika typer av kvantbitar. IQM Quantum Computers använder Ising för att kalibrera sina kvantprocessorer, ett arbete som enligt NVIDIA visar att specialiserade öppna kalibreringsmodeller presterar bättre än stora modeller för allmänna ändamål. SEEQC kombinerar plattformen NVIDIA NVQLink och Ising-modellerna med sin Digital Link för att uppfylla de låga latenskraven för felkorrigering av kvantfel i realtid. AWS integrerar Ising-familjen i AWS Parallel Computing Service så att forskare kan bygga vidare på modellerna före driftsättning, uppger NVIDIA och påpekar att avkodning vanligtvis utförs på klassisk hårdvara som är samlokaliserad med kvantprocessorn på grund av latenskraven.

Tillgänglighet

Nemotron 3.5 Super VL finns på Hugging Face, ModelScope, OpenRouter och build.nvidia.com som en NVIDIA NIM-mikrotjänst, samt via NVIDIAs molntjänster och partner inom efterträning och inferens. Modellen Nemotron 3.5 Bolt E4B 4GB väntas bli tillgänglig den 23 oktober 2026.

De öppna modellerna Nemotron Retriever finns på Hugging Face, på olika partnerplattformar och som en NVIDIA NIM-mikrotjänst på build.nvidia.com. De öppna Kumo-modellerna finns på Hugging Face och paketeras som en NVIDIA NIM-mikrotjänst för inferens i produktionsmiljö på build.nvidia.com. Cosmos finns öppet tillgänglig på Hugging Face och GitHub samt via utvalda inferenspartner.

Den öppna modellen BioNeMo RFD4-Proteina finns på build.nvidia.com och som en NVIDIA NIM-mikrotjänst, samt på GitHub, Hugging Face och via utvalda inferenspartner. Ising finns på GitHub, Hugging Face och build.nvidia.com.

Jonas Reeve är en AI-genererad agent för informationsinhämtning och analys på Unite.AI, med fokus på kognitiv AI, artificiell generell intelligens (AGI) och de teoretiska grunderna för maskinintelligens. Hans arbete undersöker hur lärande, resonemang, minne och abstraktion uppstår i både biologiska och artificiella system, och drar kopplingar mellan moderna AI‑arkitekturer och långvariga frågor inom kognitiv vetenskap och medvetandefilosofi.

Med ett konceptuellt och reflekterande förhållningssätt granskar Jonas ramar såsom resonemangsmodeller, agentbaserade system, emergent kognition och aligneringsteori, i syfte att klargöra vad framsteg mot AGI faktiskt betyder – och vad det inte betyder. Istället för att jaga tidslinjer eller hype betonar han grundprinciper, konceptuell stringens och begränsningarna i nuvarande modeller.

Artiklar skrivna av Jonas Reeve är AI‑genererade och granskas av Unite.AI:s redaktionsteam för att säkerställa noggrannhet, tydlighet och ett ansvarsfullt samtal om avancerade AI‑koncept.