NVIDIA, açık ağırlıklı yeni model ailesi Nemotron 3.5'i tanıttı. Ailenin merkezinde, belgeleri ve görselleri işleyebilen 120 milyar parametreli Nemotron 3.5 Super VL yer alıyor. Şirket, modelin PDF, grafik, tablo, görsel ve web sayfaları üzerinde çalışabildiğini, talimatları izleyebildiğini ve araç kullanabildiğini belirtiyor.
Aileye iki yerel model eşlik ediyor. Nemotron 3.5 Bolt 74B-A9B, toplam 74 milyar parametreye sahip ancak aynı anda 9 milyarını etkinleştiriyor. NVIDIA'ya göre yerel 2-bit sıkıştırma sayesinde 24GB belleğe sığıyor ve RTX Spark ile DGX Spark sistemlerinde diğer uygulamalarla birlikte çalışabiliyor. Bolt E4B ise 4GB'a inen sürümüyle sesli asistanlar, etkileşimli karakterler ve gömülü arayüzleri hedefliyor; 23 Ekim'de yayımlanacak.
Özelleştirme sonrası sonuçlar
NVIDIA, düzinelerce kuruluşun Super VL'yi kendi görevleri için sonradan eğittiğini söylüyor. Duyuruda Scale AI'nın Skydance için satıcı kredisi finans ajanı, EY'nin birleşme ve satın alma durum tespiti ajanı, AfterQuery'nin Hebbia için kredi sözleşmesi analizi, AI21 ve Alice'in siber güvenlik çalışması ile Mercor'un kodlama ajanları sayılıyor. Ramp, Dream, Lila Sciences ve R1 de modeli özelleştirenler arasında. Atlassian, CrowdStrike, Dassault Systèmes, Perplexity, Salesforce ve Synopsys ise modeli entegre eden platform şirketleri olarak listeleniyor.
NVIDIA'nın grafiği, beş ayrı değerlendirmede temel model ile sonradan eğitilmiş sürüm arasındaki farkı gösteriyor: belge zekâsı, güvenlik saldırılarına dayanıklılık, finansal fiş çıkarımı, bilimsel deney ve tıbbi sigorta talepleri. İyileşme bu görevlerde %9 ile %44 arasında değişiyor. Her karşılaştırmada özelleşmiş model, o görevde test edilen Claude veya GPT modelinin üzerinde puan alıyor.
En büyük artış tıbbi taleplerde görülüyor: doğruluk temel modelde yaklaşık %28 iken sonradan eğitimle %72'ye çıkıyor; aynı değerlendirmede Claude Opus 5 yaklaşık %38'de kalıyor. Güvenlik dayanıklılığı yaklaşık %35'ten %76'ya yükseliyor; GPT-6.1 Sol ise yaklaşık %66 alıyor. Bu sonuçlar farklı görevler için farklı özelleştirilmiş sürümlere ait; temel Super VL'nin bu modelleri genel olarak geçtiği anlamına gelmiyor. NVIDIA grafikle birlikte görev tanımlarını, örneklem büyüklüklerini ve test protokolünü paylaşmadığı için alıcıların kendi işleri üzerinde aynı yaklaşımı sınaması gerekiyor.
Hız ve sıralama
NVIDIA, Super VL'nin karşılaştırılabilir bir açık modelden beş kata kadar hızlı olduğunu belirtiyor. Hız grafiği, 100.000 giriş token'ıyla Artificial Analysis Intelligence Index puanını saniyedeki çıkış token'ı sayısına karşı çiziyor. Super VL, endeks puanı yaklaşık 26 iken saniyede yaklaşık 625 token'a ulaşıyor. Beş katlık karşılaştırmayı işaretleyen ok, benzer endeks puanında saniyede yaklaşık 125 token üreten Inkling Small'dan başlıyor. NVIDIA, 625 tokenlık sonucun dört Blackwell B200 GPU üzerinde ölçüldüğünü söylüyor.
Super VL genel sıralamada en yüksek puanlı model değil: Artificial Analysis grafiği onu 26 puanda gösterirken GLM-5.3-Flash 42, Qwen3.8-Flash-Next 40 puanda yer alıyor. Endeks; profesyonel iş, kodlama, bilim ve akıl yürütme dahil 10 değerlendirmeyi birleştiriyor. Görsel girdiler ayrı değerlendirildiği için bu bileşik puan tek başına Super VL'nin belge okuma iddiasını ölçmüyor. Hız grafiği, belirtilen test koşullarında üretim hızını ortaya koyuyor; uçtan uca iş akışı süresinde beş kat azalma göstermiyor.
Erişim ve maliyet
Super VL'nin açık ağırlıkları Hugging Face'te; erişim yolları arasında OpenRouter, ModelScope ve NVIDIA NIM de var. Bolt 74B-A9B Hugging Face'te yayımlandı ve llama.cpp, Ollama, LM Studio ile vLLM desteği sunuyor. Modeller, ticari kullanıma, ince ayara ve yeniden dağıtıma izin veren OpenMDW lisansını kullanıyor. NVIDIA eğitim tariflerini ve veri setlerini de yayımlıyor; özelleştirme kaynaklarını NeMo üzerinden sağlıyor.
Geliştiriciler, hız sınırlı NVIDIA API'sini geliştirme için ücretsiz kullanabiliyor. Üretim tarafında NVIDIA AI Enterprise lisansı GPU başına yıllık 4.500 dolar olarak fiyatlanıyor; bu yalnızca yazılım lisansı, GPU, barındırma ve operasyon maliyetleri dahil değil. Şirket, modelin Blackwell ve Hopper sistemleri için optimize edildiğini, Ampere neslinde de çalışabildiğini belirtiyor. Açıklanan eğitim toplamları ön eğitim ve sürekli ön eğitim boyunca yaklaşık 26 trilyon token, 3,8 milyon sonradan eğitim örneği ve yaklaşık 100 açık ortamda pekiştirmeli öğrenme.
Neden önemli
Açık ağırlıklı çok kipli modellerde rekabet Meta'nın Llama 4'ü ve Google'ın Gemma 4'ü ile sürüyor. Super VL'nin ayrıştığı nokta, görsel ve metinsel anlamayı ailenin daha büyük Super katmanına taşıması ve kurumların modeli kendi verisi, araçları ve politikalarıyla sonradan eğitip kendi altyapısında çalıştırabilmesi. Bir sigorta talebi incelemesinde tarama kayıtlarını okumak, yapılandırılmış bilgi çıkarmak ve poliçeyle karşılaştırmak tek modelde yapılabildiğinde, ayrı okuma sistemleri arasında veri aktarma ihtiyacı azalıyor. Bolt ise belirli ajan iş yüklerini buluta göndermeden yerelde tutmak isteyenler için ayrı bir seçenek sunuyor. Ancak grafikteki kazanımlar özelleştirilmiş sürümlere ait; kurumların kendi belgelerinde doğru bilgiyi çıkarıp çıkarmadığını ve prosedürlerini izleyip izlemediğini test etmesi gerekiyor. Duyuru, NVIDIA'nın Hugging Face'i satın alma anlaşmasının ardından geldi; yaklaşık 12,93 milyar dolarlık işlem henüz kapanmadı ve 2027'nin ilk yarısında tamamlanması bekleniyor.
