NVIDIA เปิดตัวโมเดล Nemotron 3.5 Super VL และ Bolt Edge แบบเปิด

NVIDIA เปิดตัว Nemotron 3.5 Super VL เมื่อวันที่ 15 ตุลาคม 2026 ซึ่งเป็นโมเดลมัลติโหมดแบบเปิดที่มีพารามิเตอร์ 1.2 แสนล้านตัว ออกแบบมาสำหรับเอเจนต์เฉพาะทางที่ทำงานตลอดเวลา พร้อมกันนี้ยังเปิดตัวโมเดล Bolt ขนาดเล็กอีกสองรุ่นสำหรับฮาร์ดแวร์เอดจ์และอุปกรณ์ภายในเครื่อง ขณะนี้มี Super VL และ Nemotron 3.5 Bolt 74B-A9B 24GB ให้ใช้งานแล้ว ส่วน Nemotron 3.5 Bolt E4B 4GB มีกำหนดเปิดให้ใช้งานในวันที่ 23 ตุลาคม 2026

การเปิดตัวครั้งนี้เป็นการขยายตระกูล Nemotron ซึ่ง NVIDIA แบ่งตามระดับการใช้งาน Lightning ที่เปิดตัวในเดือนสิงหาคมรองรับงานที่ต้องประมวลผลปริมาณมาก ส่วน Ultra จัดการงานให้เหตุผลที่ยากที่สุด และ Bolt มุ่งเป้าไปที่อุปกรณ์เอดจ์ NVIDIA ระบุว่าโมเดลแบบเปิดใหม่ทั้งสามรุ่นครอบคลุมการใช้งานเอเจนต์ได้ตั้งแต่เซิร์ฟเวอร์องค์กรขนาดใหญ่ไปจนถึงอุปกรณ์เอดจ์และฮาร์ดแวร์ภายในเครื่อง และ Super VL ได้รับการพัฒนาร่วมกับ Nemotron Coalition

สถาปัตยกรรมและประสิทธิภาพตามรายงาน

Super VL ใช้สถาปัตยกรรมแบบผสมผู้เชี่ยวชาญที่มีพารามิเตอร์ 1.2 แสนล้านตัว โดยเปิดใช้งานพารามิเตอร์ 1.2 หมื่นล้านตัวต่อโทเคน NVIDIA ระบุว่าโมเดลนี้มีความแม่นยำในงานเอเจนต์มัลติโหมด ซึ่งรวมถึงการทำตามคำสั่ง การใช้เครื่องมือ เวิร์กโฟลว์ทางธุรกิจหลายขั้นตอน และการทำความเข้าใจภาพ โดยมีประสิทธิภาพใกล้เคียงกับโมเดลให้เหตุผลขนาดใหญ่ที่สุดของบริษัท ทั้งที่มีจำนวนพารามิเตอร์เพียงประมาณหนึ่งในห้า NVIDIA ยังระบุว่าโมเดลนี้เป็นโมเดลเอเจนต์แบบเปิดที่เร็วที่สุดในระดับเดียวกัน โดยรายงานว่ามีอัตราการประมวลผลสูงกว่าโมเดลแบบเปิดอื่น ๆ ในกลุ่มขนาดเดียวกันได้ถึง 5 เท่า เมื่อทำงานบน GPU ตัวเดียว

โมเดลนี้ผสานความสามารถด้านการให้เหตุผล การทำตามคำสั่ง และการใช้เครื่องมือ เข้ากับการทำความเข้าใจข้อความ รูปภาพ เอกสาร และวิดีโอไว้ในระบบเดียว ตามที่ระบุในบล็อกด้านเทคนิคของ NVIDIA การผสานความสามารถดังกล่าวช่วยให้ทีมจัดการงานด้านข้อความและภาพได้โดยไม่ต้องติดตั้งโมเดลข้อความและโมเดลภาษาภาพแยกกัน หรือส่งต่อบริบทของงานระหว่างโมเดล NVIDIA ระบุว่าการฝึกด้านภาษาภาพของโมเดลมุ่งเน้นสิ่งที่เอเจนต์พบเจอในการใช้งานจริง ได้แก่ การรู้จำอักขระด้วยแสง ตาราง แผนภูมิ และข้อมูลที่มีโครงสร้างในเอกสารภาพ เช่น หน้าเว็บและไฟล์ PDF

ผลการประเมินที่ NVIDIA รายงานแสดงว่า Super VL ทำคะแนนได้ 63.44% บน Hermes Bench และ 87.05% ในการประเมินพฤติกรรมของ LangChain เทียบกับ Nemotron 3 Ultra ซึ่งได้ 56.33% และ 84.3% ตามลำดับ บน CharXiv ซึ่งเป็นเกณฑ์มาตรฐานด้านการให้เหตุผลจากแผนภูมิ NVIDIA รายงานว่า Super VL ได้ 80.8% เทียบกับ 63% ของ Nemotron 3 Nano Omni และคะแนนเพิ่มเป็น 84% เมื่อโมเดลใช้การตีความโค้ด Python NVIDIA ยังระบุว่า Super VL เป็นหนึ่งในโมเดลแบบเปิดชั้นนำบนตารางจัดอันดับ OCRBench v2 ขณะที่บล็อกด้านเทคนิคระบุว่า การประเมินโดย EXO Labs ซึ่งเป็นหน่วยงานอิสระจัดให้โมเดลนี้อยู่บนแนวพาเรโตด้านความแม่นยำและเวลาในการทำงานให้เสร็จบน DGX Spark

การออกแบบการฝึกและการอนุมาน

Super VL กลั่นความรู้มาจาก Nemotron 3 Ultra โดยบล็อกด้านเทคนิคระบุว่า ความสามารถด้านการเขียนโค้ดของ Ultra และฟังก์ชันการสูญเสีย SkewReverse ที่ใช้ระหว่างการกลั่นความรู้ช่วยเพิ่มความแม่นยำในการเขียนโค้ด ในขั้นตอนการฝึกหลังการฝึก โมเดลใช้การกลั่นความรู้แบบออนโพลิซีจากครูหลายโมเดล โดยผสานคำแนะนำจากครูเฉพาะทางด้านข้อความและภาพ ซึ่งครูเหล่านี้ให้คะแนนคำตอบของโมเดลในด้านการให้เหตุผลและการติดตามในวิดีโอ การใช้เครื่องมือด้านภาพ และการจัดแนว บล็อกด้านเทคนิคยังกล่าวถึงการมีส่วนร่วมขององค์กรใน Nemotron Coalition ด้วยว่า ชุดข้อมูลจาก Perplexity สนับสนุนการฝึกช่วงกลางของโมเดล และสภาพแวดล้อมจาก Prime Intellect ถูกนำมาใช้สร้างโมเดลครู

Nemotron 3.5 Super VL ผ่านการฝึกด้วยโทเคนประมาณ 26 ล้านล้านตัว ทั้งในขั้นตอนการฝึกล่วงหน้าและการฝึกล่วงหน้าต่อเนื่อง จากนั้นจึงผ่านการฝึกหลังการฝึกด้วยตัวอย่างประมาณ 3.8 ล้านรายการ และการเรียนรู้แบบเสริมกำลังในสภาพแวดล้อมหลายสิบรูปแบบ การฝึกล่วงหน้าต่อเนื่องเพิ่มโทเคนภาษาอินดิก 1 หมื่นล้านตัว และ NVIDIA กำลังเปิดตัวชุดข้อมูลประมาณ 2.8 ล้านล้านโทเคนในภาษาอินเดีย 22 ภาษา ซึ่งพัฒนาร่วมกับ IIT Madras และห้องปฏิบัติการ AI4Bharat

การเปิดตัวนี้ประกอบด้วยจุดตรวจสอบโมเดลพื้นฐาน โมเดลที่ผ่านการฝึกหลังการฝึก และโมเดลที่ผ่านการควอนไทซ์แบบ NVFP4 สูตร NVFP4 ใช้น้ำหนักและค่าการทำงานแบบ 4 บิตบนสถาปัตยกรรม Blackwell ของ NVIDIA พร้อมการกลั่นความรู้ที่คำนึงถึงการควอนไทซ์ ซึ่งออกแบบมาเพื่อลดช่องว่างด้านความแม่นยำที่เกิดจากการควอนไทซ์ NVIDIA รายงานว่าเทคนิคการถอดรหัสแบบคาดการณ์ล่วงหน้าแบบเปิดที่เรียกว่า LiLiCorr สร้างโทเคนได้เร็วขึ้นสูงสุด 2.3 เท่าเมื่อเทียบกับการถอดรหัสที่ไม่ใช้การคาดการณ์ล่วงหน้าบน DGX Spark การทำนายหลายโทเคนช่วยให้โมเดลมีตัวร่างภายในที่เสนอหลายโทเคนเพื่อตรวจสอบได้ในการส่งผ่านไปข้างหน้าครั้งเดียว ส่วนการปรับแต่งการให้บริการเพื่อใช้บริบทซ้ำจะเก็บรักษาทั้งแคชความสนใจและสถานะเวียนซ้ำของ Mamba ไว้ระหว่างการเรียกใช้เอเจนต์ซ้ำ

โมเดล Bolt สำหรับอุปกรณ์เอดจ์

Bolt 74B-A9B 24GB ใช้การควอนไทซ์แบบ 2 บิตโดยตรงเพื่อให้พอดีกับหน่วยความจำ 24GB และทำงานภายในเครื่องบน NVIDIA RTX และ DGX Spark ควบคู่กับแอปพลิเคชันอื่น ๆ NVIDIA ระบุว่าโมเดลนี้เป็นโมเดลแบบเปิดอันดับหนึ่งในระดับเดียวกันบน PinchBench และเป็นโมเดลแบบเปิดอันดับสองบน BrowseComp โมเดลนี้พร้อมให้ใช้งานบน Hugging Face และรองรับ llama.cpp, Ollama, LM Studio, Unsloth และ vLLM โดยออกแบบมาสำหรับแล็ปท็อป NVIDIA RTX Spark ที่จะวางจำหน่ายในวันที่ 16 ตุลาคม 2026 อีกทั้งยังทำงานบนพีซี GeForce RTX, DGX Spark, DGX Station และเวิร์กสเตชัน RTX PRO ได้ด้วย

Bolt E4B 4GB มุ่งเป้าไปที่เอเจนต์ทางกายภาพและเอเจนต์สนทนาบน GeForce RTX, Jetson และ RTX/DGX Spark โดยผสานการสนทนาที่เป็นธรรมชาติเข้ากับความสามารถด้านเอเจนต์แบบหลายรอบ เพื่อรองรับผู้ช่วยเสียงภายในเครื่อง ตัวละครแบบโต้ตอบ และส่วนติดต่อผู้ใช้แบบฝังตัว

การปรับแต่ง ผู้ใช้งานกลุ่มแรก และการนำไปใช้งาน

โมเดลมาพร้อมกับน้ำหนักโมเดล ชุดข้อมูล และสูตรการฝึกแบบเปิด โดยรองรับการปรับแต่งผ่าน NVIDIA NeMo ไปป์ไลน์ที่ใช้ Python และชุดข้อมูลแบบเปิด NVIDIA กำลังเผยแพร่ชุดข้อมูลแบบเปิดบน Hugging Face ครอบคลุมการใช้เครื่องมือแบบเอเจนต์ การเงิน การทำตามคำสั่ง การประมวลผลบริบทยาว ความเป็นธรรม และชุดข้อมูลด้านวิชั่น-ภาษา 45 ชุด รวมถึงสภาพแวดล้อมสำหรับการเรียนรู้แบบเสริมกำลังใน NeMo Gym

NVIDIA ระบุว่า มีองค์กรหลายสิบแห่งกำลังปรับแต่ง Super VL หลังการฝึกด้วยข้อมูล เครื่องมือ นโยบาย และเวิร์กโฟลว์ของตนเอง Scale AI ปรับแต่งโมเดลหลังการฝึกสำหรับเอเจนต์การเงินด้านสินเชื่อผู้ขายของ Skydance และเอเจนต์ตรวจสอบสถานะกิจการก่อนการควบรวมและซื้อกิจการ (M&A) ของ EY โดยบล็อกทางเทคนิคระบุว่า ต้นทุนการอนุมานสำหรับเวิร์กโหลดของ Skydance จะลดลง 40 เท่า และเวลาแฝงจะลดลง 5 เท่า AfterQuery ปรับแต่งโมเดลให้ Hebbia ใช้วิเคราะห์สัญญาสินเชื่อ ส่วน AI21 และ Alice ปรับแต่งโมเดลหลังการฝึกเพื่อเพิ่มความทนทานต่อการโจมตีทางไซเบอร์ โดย NVIDIA รายงานว่า Alice มีความแม่นยำสูงขึ้น 40% ในการวิเคราะห์ข่าวกรองภัยคุกคามและช่องโหว่ Mercor ปรับแต่งโมเดลหลังการฝึกด้วยเกณฑ์มาตรฐานการเขียนโค้ด APEX-SWE สำหรับเอเจนต์เขียนโค้ดที่วางแผน เขียน และแก้ไขข้อบกพร่องของโค้ด Ramp กำลังแปลงภาพใบเสร็จให้เป็น JSON ที่มีโครงสร้าง ซึ่งประกอบด้วยข้อมูลร้านค้า วันที่ และข้อมูลการชำระเงิน และคาดว่าจะมีปริมาณงานสูงขึ้นได้ถึง 50% พร้อมลดเวลาแฝงลง 10 เท่า ตามที่ระบุในบล็อกทางเทคนิค

บริษัทแพลตฟอร์มซอฟต์แวร์ที่ผสานรวม Super VL ได้แก่ Atlassian สำหรับการค้นหาแบบเอเจนต์ในแอปต่าง ๆ เช่น Jira และ Confluence, CrowdStrike สำหรับการจำลองการโจมตีเชิงรุกแบบเอเจนต์ในระบบรักษาความปลอดภัยขององค์กร, Dassault Systèmes สำหรับการออกแบบและจำลองทางวิศวกรรม และ Perplexity สำหรับการค้นหาและงานแบบเอเจนต์ Salesforce กำลังปรับแต่ง Nemotron เพื่อขับเคลื่อนเอเจนต์ AI ที่แปลงเวิร์กโฟลว์ของรัฐบาลให้เป็นดิจิทัลและทำงานโดยอัตโนมัติผ่าน Missionforce Operations ขณะที่ซอฟต์แวร์ของ Synopsys สำหรับตรวจสอบการออกแบบเซมิคอนดักเตอร์ก็ทำงานร่วมกับโมเดลนี้ได้

สำหรับการนำไปใช้งาน NVIDIA NIM จัดแพ็กเกจโมเดลเป็นไมโครเซอร์วิสที่พร้อมใช้งานจริง โดยมีการอัปเดตทุกสองสัปดาห์ด้วยแพตช์ความปลอดภัยและการปรับปรุงประสิทธิภาพ NVIDIA รายงานว่า เมื่อใช้งานบน GPU B200 จำนวน 16 ตัว ที่ความเร็ว 50 โทเคนต่อวินาทีต่อผู้ใช้ การให้บริการด้วย Dynamo ซึ่งใช้การกำหนดเส้นทางที่คำนึงถึง KV cache จะรองรับผู้ใช้ได้มากขึ้นสูงสุด 8 เท่า พร้อมลดเวลาแฝงก่อนโทเคนแรกลง 85% ขณะนี้ Super VL พร้อมใช้งานแล้วบน Hugging Face, OpenRouter, ModelScope และในรูปแบบ NVIDIA NIM โดยทำงานได้บน DGX Spark, DGX Station, ระบบ RTX PRO และ RTX, Jetson ตลอดจนสภาพแวดล้อมศูนย์ข้อมูลและคลาวด์