NVIDIA, Açık Nemotron 3.5 Super VL ve Bolt Uç Modellerini Tanıttı

NVIDIA, 15 Ekim 2026’da, uzmanlaşmış ve sürekli çalışan ajanlar için tasarlanan, 120 milyar parametreli açık çok modlu Nemotron 3.5 Super VL modelini; uç ve yerel donanımlara yönelik iki daha küçük Bolt modeliyle birlikte piyasaya sürdü. Super VL ve Nemotron 3.5 Bolt 74B-A9B 24GB şu anda kullanılabilirken Nemotron 3.5 Bolt E4B 4GB’nin 23 Ekim 2026’da kullanıma sunulması planlanıyor.

Bu modeller, NVIDIA’nın dağıtım katmanlarına göre düzenlediği Nemotron ailesini genişletiyor. Ağustosta piyasaya sürülen Lightning, yüksek aktarım hızlı iş yüklerini üstleniyor; Ultra, en zorlu akıl yürütme görevlerine odaklanıyor; Bolt ise uç cihazları hedefliyor. NVIDIA, üç yeni açık modelin birlikte büyük kurumsal sunuculardan uç cihazlara ve yerel donanımlara kadar ajan dağıtımlarının tüm yelpazesini kapsadığını ve Super VL’nin Nemotron Coalition ile iş birliği içinde geliştirildiğini belirtti.

Mimari ve Bildirilen Performans

Super VL, her belirteç başına 12 milyar parametreyi etkinleştiren, 120 milyar parametreli bir uzman karışımı mimarisi kullanıyor. NVIDIA, modelin yönergeleri izleme, araç kullanımı, çok adımlı iş akışları ve görsel anlama dâhil çok modlu ajan odaklı görevlerde, yaklaşık beşte bir parametre sayısına sahip olmasına rağmen şirketin en büyük akıl yürütme modeliyle karşılaştırılabilir doğruluk sağladığını belirtti. NVIDIA ayrıca modeli, sınıfındaki en hızlı açık ajan modeli olarak tanımlıyor ve tek bir GPU’da, kendi boyut kategorisindeki diğer açık modellere kıyasla 5 kata kadar daha yüksek aktarım hızı sunduğunu bildiriyor.

Model; akıl yürütme, yönergeleri izleme ve araç kullanımını metin, görsel, belge ve video anlama yetenekleriyle tek bir sistemde bir araya getiriyor. NVIDIA’nın teknik bloguna göre bu bütünleşme, ekiplerin ayrı metin ve görsel-dil modelleri dağıtmadan veya görev bağlamını bu modeller arasında aktarmadan metin ve görsel görevleri yürütmesini sağlıyor. NVIDIA, modelin görsel-dil eğitiminin ajanların uygulamada karşılaştığı unsurları hedeflediğini belirtiyor: optik karakter tanıma, tablolar, grafikler ve web sayfaları ile PDF’ler gibi görsel belgelerdeki yapılandırılmış bilgiler.

NVIDIA’nın bildirdiği değerlendirme sonuçlarına göre Super VL, Hermes Bench’te %63,44, LangChain davranışsal değerlendirmelerinde ise %87,05 puan alıyor; Nemotron 3 Ultra’nın puanları sırasıyla %56,33 ve %84,3. Grafikler üzerine akıl yürütmeyi ölçen bir kıyaslama testi olan CharXiv’de NVIDIA, Super VL’nin %80,8 puan aldığını, Nemotron 3 Nano Omni’nin ise %63’te kaldığını bildiriyor; model Python kodu yorumlamasını kullandığında bu puan %84’e yükseliyor. NVIDIA ayrıca Super VL’yi OCRBench v2 sıralamasındaki en iyi açık modellerden biri olarak tanımlıyor. Teknik blogda, EXO Labs tarafından yürütülen bağımsız bir değerlendirmede modelin DGX Spark üzerinde doğruluk ve görevi tamamlama süresi açısından Pareto sınırında yer aldığı belirtiliyor.

Eğitim ve Çıkarım Tasarımı

Super VL, Nemotron 3 Ultra’dan damıtıldı. Teknik blogda, Ultra’nın kodlama yeteneklerinin ve damıtma sırasında kullanılan SkewReverse kaybının kodlama doğruluğunu artırdığı belirtiliyor. Eğitim sonrası aşamada çok öğretmenli, politika içi damıtma; metin ve görsel alanlarındaki uzman öğretmenlerin rehberliğini bir araya getiriyor. Öğretmenler, modelin video akıl yürütme ve izleme, görsel araç kullanımı ve hizalama konularındaki yanıtlarını puanlıyor. Teknik blogda ayrıca Nemotron Coalition kuruluşlarının katkılarına da değiniliyor: Perplexity’nin veri kümeleri modelin ara eğitimini destekledi; Prime Intellect’in ortamları ise öğretmen modeller oluşturmak için kullanıldı.

Nemotron 3.5 Super VL, ön eğitim ve devam eden ön eğitim boyunca yaklaşık 26 trilyon belirteçle eğitildi; ardından yaklaşık 3,8 milyon örnekle ve onlarca ortamda pekiştirmeli öğrenme kullanılarak eğitim sonrası aşamadan geçirildi. Devam eden ön eğitime 10 milyar Hint dilleri belirteci eklendi. NVIDIA, IIT Madras ve üniversitenin AI4Bharat laboratuvarıyla birlikte geliştirilen, 22 Hint dilinde yaklaşık 2,8 trilyon belirteç içeren bir veri kümesini de yayımlıyor.

Yayımlanan sürüm; temel, eğitim sonrası işlemden geçirilmiş ve NVFP4 ile nicemlenmiş kontrol noktalarını içeriyor. NVFP4 reçetesi, NVIDIA’nın Blackwell mimarisinde 4 bitlik ağırlıklar ve etkinleştirmeler kullanıyor; nicemlemenin yol açtığı doğruluk kaybını azaltmayı amaçlayan nicemleme farkındalıklı damıtmayla birlikte sunuluyor. NVIDIA’nın bildirdiğine göre LiLiCorr adlı açık spekülatif kod çözme tekniği, DGX Spark’ta spekülasyon olmadan kod çözmeye kıyasla belirteç üretimini 2,3 kata kadar hızlandırıyor. Çoklu belirteç tahmini, modelin tek bir ileri geçişte doğrulanmak üzere birkaç belirteç öneren dâhilî bir taslak üretici kullanmasını sağlıyor; bağlamı yeniden kullanmaya yönelik sunum optimizasyonları ise tekrarlanan ajan çağrıları boyunca hem dikkat önbelleklerini hem de Mamba’nın yinelemeli durumlarını koruyor.

Uçta Kullanıma Yönelik Bolt Modelleri

Bolt 74B-A9B 24GB, 24 GB belleğe sığmak ve diğer uygulamalarla birlikte NVIDIA RTX ve DGX Spark üzerinde yerel olarak çalışmak için yerel 2 bitlik nicemleme kullanıyor. NVIDIA, modeli PinchBench’de sınıfının en iyi açık modeli, BrowseComp’te ise sıralamadaki ikinci açık model olarak tanımlıyor. Model, llama.cpp, Ollama, LM Studio, Unsloth ve vLLM desteğiyle Hugging Face’te kullanılabiliyor. 16 Ekim 2026’da piyasaya çıkacak NVIDIA RTX Spark dizüstü bilgisayarlar için geliştirilen model, GeForce RTX bilgisayarlarda, DGX Spark’ta, DGX Station’da ve RTX PRO iş istasyonlarında da çalışıyor.

Bolt E4B 4GB; GeForce RTX, Jetson ve RTX/DGX Spark üzerinde fiziksel ve sohbet tabanlı ajanları hedefliyor. Yerel sesli asistanlar, etkileşimli karakterler ve gömülü arayüzler için doğal sohbeti çok turlu ajan yetenekleriyle bir araya getiriyor.

Özelleştirme, İlk Kullanıcılar ve Dağıtım

Model; açık ağırlıklar, açık veri kümeleri ve eğitim tarifleriyle sunuluyor. Özelleştirme, NVIDIA NeMo, Python tabanlı işlem hatları ve açık veri kümeleri aracılığıyla destekleniyor. NVIDIA; Hugging Face’te ajanların araç kullanımı, finans, yönerge izleme, uzun bağlam, adalet ve 45 görsel-dil veri kümesini kapsayan açık veri kümelerinin yanı sıra NeMo Gym’de pekiştirmeli öğrenme ortamları da yayımlıyor.

NVIDIA’ya göre, onlarca kuruluş Super VL’yi kendi verileri, araçları, politikaları ve iş akışlarıyla eğitim sonrası aşamada eğitiyor. Scale AI, modeli Skydance’in tedarikçi kredisi finansmanı ajanı ve EY’nin birleşme ve devralma (M&A) durum tespiti ajanı için eğitim sonrası aşamada eğitti; teknik blogda, Skydance iş yükünün çıkarım maliyetinin 40 kat, gecikmesinin ise 5 kat azalacağı belirtiliyor. AfterQuery, kredi sözleşmelerini analiz etmek üzere Hebbia için modeli özelleştirdi. AI21 ve Alice ise siber güvenlik saldırılarına karşı dayanıklılık için modeli eğitim sonrası aşamada eğitti; NVIDIA, Alice’in tehdit istihbaratı ve güvenlik açığı analizinde doğruluğun %40 arttığını bildiriyor. Mercor, kod planlayan, yazan ve hata ayıklayan kodlama ajanları için modeli APEX-SWE kodlama kıyaslaması üzerinde eğitim sonrası aşamada eğitti. Ramp, makbuz görüntülerini satıcı bilgileri, tarihler ve ödeme verileri içeren yapılandırılmış JSON’a dönüştürüyor; teknik bloga göre, işlem hacminde %50’ye varan artış ve gecikmede 10 kat azalma bekliyor.

Super VL’yi entegre eden yazılım platformu şirketleri arasında; Jira ve Confluence gibi uygulamalarda ajan tabanlı arama için Atlassian, kurumsal güvenlikte ajan tabanlı mavi takım savunması için CrowdStrike, mühendislik tasarımı ve simülasyonu için Dassault Systèmes ve arama ile ajan tabanlı görevler için Perplexity yer alıyor. Salesforce, Missionforce Operations aracılığıyla devlet iş akışlarını dijitalleştirip otomatikleştiren yapay zekâ ajanlarına güç vermek üzere Nemotron’u özelleştiriyor. Synopsys’in yarı iletken tasarım doğrulama yazılımı da modelle birlikte çalışabiliyor.

Dağıtım için NVIDIA NIM, modeli üretime hazır bir mikro hizmet olarak paketliyor; bu hizmet, güvenlik yamaları ve performans iyileştirmeleriyle iki haftada bir güncelleniyor. NVIDIA’nın bildirdiğine göre, kullanıcı başına saniyede 50 belirteç hızında çalışan 16 B200 GPU üzerinde, KV önbelleği farkındalıklı yönlendirme kullanan Dynamo sunumu, ilk belirteç gecikmesini %85 azaltırken 8 kata kadar daha fazla kullanıcıya hizmet veriyor. Super VL artık Hugging Face, OpenRouter ve ModelScope’ta, ayrıca NVIDIA NIM olarak sunuluyor; DGX Spark, DGX Station, RTX PRO ve RTX sistemlerinde, Jetson’da ve veri merkezi ile bulut ortamlarında çalışıyor.