NVIDIA дообучила Nemotron 3.5 Super VL, и она обошла Claude Opus 5 и GPT-6.1 Sol в тестах специализированных задач

Модель для проверки кредитного договора должна извлечь данные из таблиц, разобраться в графике, проверить связанную веб-страницу и учесть внутренние правила компании — только после этого она сможет подготовить полезный ответ.

NVIDIA выпустила три модели Nemotron 3.5 для таких задач и других сценариев. Super VL объединяет языковые и визуальные способности, а две модели Bolt рассчитаны на локальных ИИ-агентов.

Компании могут дообучить Super VL на собственных данных, инструментах и правилах, а затем выбрать инфраструктуру с подходящими требованиями к безопасности и хранению данных. Bolt предлагает компактный вариант для локального запуска отдельных задач ИИ-агентов.

Что изменилось в семействе Nemotron

Super VL — не первая модель NVIDIA, умеющая разбирать визуальные данные. Nemotron Nano 2 VL уже анализировала документы и изображения.

В апреле NVIDIA выпустила Nemotron 3 Nano Omni на 30 млрд параметров. Модель объединяет работу с текстом, изображениями, аудио и видео и предназначена для анализа документов и графических интерфейсов.

Изменилось место визуальных возможностей в линейке. В марте NVIDIA выпустила Nemotron 3 Super на 120 млрд параметров для рассуждений ИИ-агентов, а затем — более крупную Nemotron 3 Ultra для сложных задач. Nemotron 3.5 Lightning, представленная в августе, рассчитана на повторяющиеся высоконагруженные этапы длинных сценариев работы агентов. Super VL добавляет анализ документов и изображений в старшую линейку Super, а Bolt расширяет возможности локального запуска.

Это может упростить некоторые системы на базе ИИ-агентов. Например, при проверке страхового заявления системе может потребоваться прочитать сканы документов, извлечь из них структурированные данные, сверить их с полисом и решить, на что обратить внимание сотрудника. Если одна модель обрабатывает и текст, и визуальные материалы, может не понадобиться передавать данные между отдельными системами распознавания. Разработчикам всё равно нужно проверять, правильно ли модель извлекает факты и применяет нужные правила.

На рынке открытых мультимодальных моделей есть и другие участники. Meta Llama 4 и Google Gemma 4 тоже работают с текстом и визуальными данными. Особенность Super VL — в её основе, более крупной модели Nemotron, инструментах NVIDIA для настройки и развёртывания, а также результатах партнёров, дообучавших модель для узких задач.

Результаты партнёров после дообучения

По данным NVIDIA, десятки организаций дообучают Super VL для собственных задач.

В анонсе названы проекты Scale AI для финансового ИИ-агента Skydance, работающего с кредитными данными поставщиков, и ИИ-агента EY для проверки сделок по слияниям и поглощениям; AfterQuery — для анализа кредитных договоров в Hebbia; AI21 и Alice — для кибербезопасности; Mercor — для агентов, выполняющих задачи по программированию. Среди других компаний, настраивающих модель, — Ramp, Dream, Lila Sciences и R1.

Среди платформ, которые встраивают Super VL в свои продукты, NVIDIA перечисляет Atlassian, CrowdStrike, Dassault Systèmes, Perplexity, Salesforce и Synopsys.

На диаграмме NVIDIA показаны пять отдельных проверок, помогающих понять, зачем партнёры дообучают модель вместо того, чтобы просто запускать её в исходном виде: анализ документов, устойчивость к атакам, извлечение данных из финансовых чеков, научные эксперименты и обработка медицинских страховых заявлений.

Светло-зелёная часть каждого столбца показывает результат исходной Super VL, тёмно-зелёная — прирост после дообучения. На пяти задачах результаты выросли на 9–44%.

В каждой приведённой NVIDIA сравнительной проверке дообученная для конкретной задачи модель набрала больше баллов, чем Claude или GPT, выбранная для сравнения.

Речь идёт о разных версиях модели, настроенных для разных специализированных задач. NVIDIA не утверждает, что исходная Super VL в целом превосходит эти модели.

Компания не привела к диаграмме описания задач, размеры выборок и протоколы проверки. Поэтому покупателям стоит сравнить такой подход с результатами на собственных данных.

Скорость генерации при заданном качестве

NVIDIA также заявляет, что Super VL работает до пяти раз быстрее сопоставимой открытой модели. На диаграмме скорости сопоставлены индекс Artificial Analysis Intelligence Index и число выходных токенов в секунду при 100 000 входных токенах.

Super VL показана примерно на уровне 625 выходных токенов в секунду при оценке индекса около 26. Стрелка, обозначающая пятикратное сравнение, начинается у Inkling Small — примерно 125 токенов в секунду при близкой оценке индекса.

По словам NVIDIA, результат Super VL в 625 токенов в секунду Artificial Analysis измерила на четырёх графических процессорах Blackwell B200.

На этой диаграмме Super VL быстро генерирует текст при указанном значении индекса, но по общей оценке не занимает первое место. В сопроводительном графике Artificial Analysis у неё 26 баллов, тогда как у некоторых других открытых моделей показатели выше: 42 у GLM-5.3-Flash и 40 у Qwen3.8-Flash-Next.

Индекс объединяет результаты десяти проверок в таких областях, как профессиональная работа, программирование, наука и рассуждение. Artificial Analysis оценивает обработку изображений отдельно, поэтому один только сводный балл не показывает всех возможностей Super VL в анализе документов.

Скорость выдачи важна, когда ИИ-агент делает много обращений в ходе продолжительной задачи. Но она не равна времени выполнения всей работы: на него также влияют чтение входных данных, вызовы внешних инструментов, проверка результатов и исправление ошибок. Диаграмма сравнивает скорость генерации в указанных условиях, но не доказывает, что весь рабочий процесс стал в пять раз быстрее.

Bolt для локальной работы

У Bolt 74B-A9B всего 74 млрд параметров, но за один раз активируются 9 млрд. NVIDIA утверждает, что благодаря встроенному сжатию до 2 бит модель помещается в 24 ГБ памяти и может работать одновременно с другими приложениями на системах RTX Spark и DGX Spark.

Модель предназначена, например, для поиска информации в интернете, написания и отладки кода через локальные инструменты ИИ-агентов — без передачи этих задач облачной модели.

NVIDIA называет Bolt лучшей открытой моделью в своём классе по результатам PinchBench и второй среди открытых моделей в BrowseComp. В анонсе компания не приводит баллы и не описывает, какие модели включены в сравниваемый класс.

Bolt доступна на Hugging Face и поддерживает llama.cpp, Ollama, LM Studio и vLLM. Среди систем, для которых NVIDIA указывает поддержку, — компьютеры с GeForce RTX, DGX Station и рабочие станции RTX PRO.

Bolt E4B рассчитана на локальную работу при объёме памяти 4 ГБ. Её целевые сценарии — голосовые помощники, интерактивные персонажи и встроенные интерфейсы. NVIDIA говорит, что модель поддерживает диалог из нескольких ходов и может использовать инструменты, учитывая текущее состояние приложения. При выходе 23 октября она будет рассчитана на GeForce RTX, Jetson и RTX/DGX Spark.

Где скачать модели и сколько стоит запуск

Открытые веса Super VL доступны на Hugging Face. NVIDIA также называет OpenRouter, ModelScope и NVIDIA NIM площадками для доступа к модели на старте. Bolt 74B-A9B можно скачать на Hugging Face.

По словам NVIDIA, модели распространяются по лицензии OpenMDW, которая разрешает коммерческое использование, файн-тюнинг и повторное распространение. Компания также выпускает рецепты обучения и наборы данных, а материалы для настройки предоставляет через NeMo и техническое руководство по архитектуре.

Для разработки доступен размещённый NVIDIA API с ограничением числа запросов, которым можно пользоваться бесплатно. Партнёры NVIDIA предлагают собственные размещённые API по установленным ими ценам, в том числе через OpenRouter.

Организации могут скачать микросервисы NIM из каталога NVIDIA NGC. Лицензия NVIDIA AI Enterprise для производственного использования стоит, по данным компании, 4500 долларов за графический процессор в год. Это цена лицензии на программное обеспечение, а не полная стоимость графических процессоров, хостинга и эксплуатации Super VL.

NVIDIA сообщает, что Super VL оптимизирована для систем Blackwell и Hopper, включая DGX Spark, DGX Station и графические процессоры RTX PRO 6000 Blackwell. Модель также может работать на графических процессорах поколения Ampere.

Общий объём обучения, указанный NVIDIA, составляет около 26 трлн токенов на этапах предварительного и продолженного предварительного обучения, 3,8 млн примеров для дообучения и обучение с подкреплением примерно в 100 открытых средах. Компания также планирует выпустить наборы данных для работы с инструментами, финансами, длинным контекстом, безопасностью и пониманием связей между текстом и изображением.

Запуск состоялся после соглашения NVIDIA о покупке Hugging Face — крупной площадки для распространения открытых моделей. Сделка примерно на 12,93 млрд долларов ещё не закрыта: NVIDIA рассчитывает завершить её в первой половине 2027 года при условии одобрения регуляторов и выполнения других требований. Компания обязалась сохранить доступность Hugging Face для других разработчиков моделей и производителей чипов.

Компании могут проверить, насколько Super VL подходит для их документов и процедур, а затем оценить стоимость запуска модели под собственным контролем. Bolt рассчитана на отдельный сценарий — локальную обработку задач. NVIDIA предлагает модели, способы доступа к ним и цену производственной лицензии; примеры партнёров и диаграмма скорости могут помочь определить, что проверять, но не гарантируют таких же результатов в каждом внедрении.