NVIDIA Lanserar Nya Nemotron-Modeller: Super VL för Datacenter och Bolt för Edge-enheter

Bild: NVIDIA · Källa

NVIDIA utökar sin Nemotron AI-modellsfamilj med den högpresterande 120-miljarder-parameter Super VL för företag och två Bolt-edge-modeller optimerade för lokala arbetsbelastningar, vilket möjliggör anpassningsbara AI-agenter över olika beräkningsnivåer.

NVIDIA har breddat sin Nemotron-familj av AI-modeller med lanseringen av Nemotron 3.5 Super VL, en öppen modell med 120 miljarder parametrar som är utformad för specialiserade AI-agenter som alltid är aktiva och kräver snabb uppgiftsutförande och hög noggrannhet. Tillsammans med Super VL introducerade NVIDIA två nya edge-fokuserade modeller: Nemotron 3.5 Bolt 74B-A9B 24GB, som balanserar intelligens och hastighet för lokala agentbaserade arbetsuppgifter, samt den mindre Bolt E4B 4GB, optimerad för snabba konversations-AI-agenter. Medan Super VL och Bolt 74B-A9B är tillgängliga omedelbart, planeras Bolt E4B lanseras den 23 oktober 2026.

Super VL levererar gränsöverskridande noggrannhet på komplexa multimodala uppgifter såsom instruktioner, verktygsanvändning, affärsflöden och visuell dokumentförståelse, men med ungefär en femtedel av parametrarna jämfört med NVIDIAs största resonemangsmodell. Den överträffar konkurrerande öppna modeller i hastighet med en faktor fem, vilket möjliggör för företag att snabba upp arbetsflöden som ofta sträcker sig över dagar eller veckor. Till skillnad från proprietära modeller tillåter Super VL:s öppna vikter organisationer att efterträna på egen data och distribuera på egen infrastruktur, vilket försäkrar kontroll och integritet.

Bolt-serien möjliggör AI-agenters intelligens vid kanten. Bolt 74B-A9B 24GB använder 2-bitars kvantisering för att passa inom 24 GB minne och kan köras effektivt på hårdvara som NVIDIA RTX och DGX Spark-system samtidigt som den stöder samtidiga applikationer. Denna modell är känd för att balansera hastighet och intelligens och rankas som #1 på PinchBench bland öppna modeller i sin klass. Bolt E4B 4GB riktar sig mot konversationella och fysiska AI-agenter på olika hårdvaruplattformar och ger möjlighet till flerrundiga interaktioner för röstassistenter och inbäddad AI.

NVIDIA framhåller omfattande adoption och anpassning av Super VL, med företag inom finans, cybersäkerhet, kodning, vetenskaplig forskning och sjukvård som eftertränar modellen för domänspecifika uppgifter. Partners som Scale AI, EY, AI21, Atlassian, CrowdStrike, Salesforce och andra använder Super VL för uppgifter som due diligence, säkerhet och analys av medicinska anspråk.

Super VL:s multimodala vision-språk-förmågor gör att den kan förstå text, tabeller, diagram, bilder och webbsidor sömlöst, vilket gör det möjligt för AI-agenter att integrera visuella och textuella insatser utan uppgiftsöverföringar mellan system. Modellen och datasetten är helt öppna, levereras med träningsrecept och är tillgängliga via plattformar inklusive Hugging Face och NVIDIA NIM, som paketerar modellen som en mikrotjänst optimerad för företagsdistribution.

Nemotron 3.5-modellerna är kompatibla med ett brett utbud av NVIDIA-hårdvara inklusive DGX Spark, DGX Station, RTX PRO, Jetson och GeForce RTX-PC:ar, vilket bygger en brygga mellan datacenterskalig AI och lokal edge-intelligens. Denna lansering kompletterar ytterligare NVIDIAs augustisutsläpp av Nemotron Lightning och Ultra-modeller dedikerade till hög genomströmning och avancerade resonemangsarbetsbelastningar.

Som komplement till dessa lanseringar finns NVIDIA Nemotron Coalition, ett globalt partnerskap av AI-labb och utvecklare inklusive Mistral AI, LangChain, Perplexity med flera, som samarbetar kring utvecklingen av öppna gränsöverskridande modeller. Koalitionens första projekt, en modell som samutvecklats av NVIDIA och Mistral AI, ska stödja den kommande Nemotron 4-familjen med fokus på transparens, samarbete och AI-suverenitet.

NVIDIAs fortsatta investering i öppna, anpassningsbara AI-modeller syftar till att demokratisera avancerad artificiell intelligens samtidigt som organisationer ges möjlighet att behålla kontroll över data och AI-distribuering i olika operativa miljöer.