The Pulse
Nemotron 3.5 Super VL di NVIDIA punta ai flussi di lavoro agentici
NVIDIA ha rilasciato Nemotron 3.5 Super VL, un modello multimodale a pesi aperti progettato per attività agentiche che coinvolgono testo, immagini, documenti e video. Secondo l’azienda, i partner possono adattarlo a compiti specializzati, o
AI.info Team · Scritto con l’IA ·
Pesi aperti, risultati specializzati
Le organizzazioni possono adattare il nuovo Nemotron 3.5 Super VL di NVIDIA, ma i risultati più significativi citati dall’azienda per le applicazioni aziendali arrivano dopo che i partner lo hanno addestrato per attività specifiche. Il modello da 120 miliardi di parametri ne attiva 12 miliardi per token e combina ragionamento, uso di strumenti e comprensione di testo, immagini, documenti e video. NVIDIA ne ha annunciato il rilascio il 15 ottobre 2026, proponendolo per agenti che svolgono attività in più passaggi attraverso questi formati.
«NVIDIA Nemotron 3.5 Super VL è un modello multimodale aperto e personalizzabile per questi flussi di lavoro specializzati», scrivono Chris Alexiuk e Chintan Patel, autori del post. La distinzione è importante: gli esempi di NVIDIA riguardano non solo il modello di base, ma anche ciò che le organizzazioni possono ottenere dopo averlo adattato ai propri dati, strumenti e regole.
«NVIDIA Nemotron 3.5 Super VL è un modello multimodale aperto e personalizzabile per questi flussi di lavoro specializzati».
Chris Alexiuk e Chintan Patel, NVIDIA
I partner lo addestrano per compiti più circoscritti
Secondo NVIDIA, Scale AI ha sottoposto il modello a un addestramento successivo per automatizzare l’elaborazione dei crediti dei fornitori presso Skydance Corporation, un’azienda del settore dei media e dell’intrattenimento. Per questa attività, si legge nel post, il costo dell’inferenza si ridurrà di 40 volte e la latenza di 5 volte. Ramp, intanto, sta adattando il modello per trasformare le immagini delle ricevute in dati strutturati; prevede un throughput superiore fino al 50% e una latenza inferiore di 10 volte.
Un terzo esempio viene da AI21, che ha sottoposto il modello a un addestramento successivo per l’analisi delle minacce e delle vulnerabilità di Alice. NVIDIA riferisce un miglioramento dell’accuratezza del 40% per questo lavoro. Questi dati descrivono applicazioni diverse dei partner, non un unico benchmark condiviso, e il post non fornisce i dettagli delle valutazioni necessari per confrontarle direttamente.
Un solo modello per documenti e video
Nemotron 3.5 Super VL è progettato per interpretare grafici, tabelle, testo tramite riconoscimento ottico dei caratteri, documenti di più pagine e video, oltre al testo ordinario. Secondo NVIDIA, i team possono usare un solo modello per attività che altrimenti potrebbero richiedere sistemi separati per il testo e per il linguaggio e la visione. Gli sviluppatori possono addestrarlo ulteriormente con NVIDIA NeMo, usando il fine-tuning supervisionato, l’adattamento a basso rango o l’apprendimento per rinforzo.
Il rilascio comprende anche dataset aperti per l’uso di strumenti, il ragionamento finanziario, il rispetto delle istruzioni, le attività a contesto lungo, l’equità e l’addestramento su visione e linguaggio. NVIDIA afferma di rilasciare 45 dataset di visione e linguaggio. L’azienda indica che il modello può essere distribuito su infrastrutture locali, di data center o cloud supportate ed elenca checkpoint di base, sottoposti ad addestramento successivo e quantizzati in NVFP4, insieme a procedure di addestramento e ambienti di apprendimento per rinforzo.
I benchmark dipendono dalla configurazione
Su Hermes Bench, NVIDIA riporta per Nemotron 3.5 Super VL un punteggio del 63,44%, contro il 56,33% di Nemotron 3 Ultra. Nelle valutazioni di LangChain, i rispettivi punteggi sono 87,05% e 84,3%. NVIDIA riporta inoltre più di 600 token in uscita al secondo in una valutazione di attività agentiche di Artificial Analysis effettuata tramite un endpoint Baseten; il confronto presentato dall’azienda mostra un throughput fino a 5 volte superiore a quello di un altro modello aperto della stessa categoria dimensionale.
Questi risultati sono legati a condizioni di test specifiche. Il confronto di NVIDIA sulle attività di programmazione misura 10.000 attività su GPU B200, mentre una distinta affermazione sulla capacità di erogazione del modello — fino a 8 volte più utenti e una latenza del primo token inferiore dell’85% — si basa su 16 GPU B200 e su un obiettivo di 50 token al secondo per utente. Il post cita anche una valutazione indipendente di EXO Labs su DGX Spark, ma nel testo non fornisce un risultato numerico per quel confronto.
Il rilascio mette la personalizzazione al centro
La proposta di NVIDIA è che le organizzazioni possano partire da un unico modello multimodale, poi addestrarlo sui propri flussi di lavoro e distribuire i suoi pesi sulla propria infrastruttura. Gli esempi dei partner suggeriscono che i miglioramenti promessi dipendano da questo lavoro aggiuntivo: Scale AI, Ramp e AI21 hanno ciascuno adattato il modello a un’attività diversa, e i miglioramenti riportati sono misurati in modi diversi.
Per gli sviluppatori, il rilascio offre più di un checkpoint del modello: ai pesi affianca dati di addestramento, procedure e strumenti per l’addestramento successivo. La possibilità di ottenere anche in altre organizzazioni i miglioramenti di efficienza e accuratezza riportati dipenderà dai loro dati, dalle loro attività e dai loro metodi di valutazione.