NVIDIA 发布面向专用智能体的开源多模态模型 Nemotron 3.5 Super VL

NVIDIA 在 Product Hunt 上线 Nemotron 3.5 Super VL，将其定位为面向专用智能体的开源多模态模型。该产品主要解决专用智能体在文本之外处理视觉信息的需求，发布信息仅说明其开源属性和多模态定位，未披露参数规模、基准成绩或具体使用方式。

此前专用智能体多以单一文本模型搭建，视觉输入需要额外拼接识别组件。Nemotron 3.5 Super VL 把多模态能力和开源形式放在同一产品里，使团队可以直接在自有智能体中试用统一模型，减少多组件串接的复杂度，因此值得做小范围验证。

从可获得的信息看，其核心差异集中在两点：一是多模态，即模型同时接收和处理视觉与文本信息；二是开源，即团队可自行获取并部署，而非只能调用托管接口。这两点如何结合、支持哪些输入格式和模态组合，证据未说明，暂无法进一步展开。

适合正在构建专用智能体的产品与研发团队，尤其是任务中需要读取图像、截图或文档视觉内容的工作流，例如以视觉材料为输入的内部助手。开源形式便于在自有环境中试验和集成，但是否适合生产仍需根据实际模态支持、部署成本和效果评估后再判断。

• 选取一个包含截图或图片输入的现有智能体流程，用该模型替换原视觉识别环节，对比端到端准确率与延迟。
• 在内部知识库问答中接入该模型，验证其对图表、扫描件等视觉材料的理解是否达到可用水平。
• 若开源许可允许，先在隔离环境完成本地部署测试，记录显存占用、吞吐和集成改造成本。

• 该模型的具体参数规模、上下文长度和支持的输入模态有哪些？
• 开源许可证类型及商用限制是什么？
• 是否提供 API 或托管服务，还是仅支持自行部署？
• 在标准多模态基准上的表现与同类开源模型相比如何？