NVIDIA представила Nemotron 3.5 Super VL для многошаговых ИИ-агентов
NVIDIA представила Nemotron 3.5 Super VL — мультимодальную модель с открытыми весами, предназначенную прежде всего для создания ИИ-агентов. Система умеет работать не только с текстовыми запросами, но и с изображениями и видео, а также поддерживает рассуждения и вызов внешних инструментов.
Модель насчитывает 120 млрд параметров. При обработке каждого токена активируется 12 млрд параметров, что указывает на использование разреженной архитектуры: для конкретной операции задействуется только часть общей модели. Такой подход позволяет сочетать широкий набор возможностей с более избирательным использованием вычислительных ресурсов.
Фокус на многошаговых задачах
Основной сценарий применения Nemotron 3.5 Super VL — агенты, способные самостоятельно выполнять последовательность действий. В таких сценариях модель может анализировать входные данные, рассуждать над задачей, обращаться к инструментам и переходить к следующему шагу без постоянного участия пользователя.
Это делает модель подходящей для процессов, где требуется одновременно понимать содержание запроса, работать с визуальной информацией и использовать дополнительные средства для выполнения операции. Конкретные инструменты и сценарии их вызова зависят от реализации приложения на базе модели.
Работа с документами и видео
Зрительная часть Nemotron 3.5 Super VL ориентирована на анализ документов. Модель распознаёт текст, таблицы и графики, а также может обрабатывать веб-страницы и PDF-файлы. Это позволяет использовать её для извлечения структурированных данных из отчётов и других материалов, где важны не только слова, но и их расположение на странице.
Кроме того, модель работает с видео продолжительностью до двух минут. Такой режим может применяться для анализа экранных записей, поиска нужных фрагментов и обработки процессов, представленных одновременно в визуальной и текстовой форме.
Nemotron 3.5 Super VL объединяет мультимодальное восприятие, рассуждения и возможность взаимодействия с инструментами в одной модели. Открытые веса дают разработчикам возможность использовать её как основу для собственных агентных систем, автоматизации работы с документами и задач, требующих анализа коротких видеоматериалов.
