NVIDIA lança Nemotron 3.5 Super VL com 12B ativos e suporte a 1M tokens

Arquitetura híbrida usa Mamba-2, MoE e atenção com encoder C-RADIO

O Nemotron 3.5 Super VL combina Mamba-2, Mixture-of-Experts e atenção em uma arquitetura híbrida. O encoder de visão C-RADIO processa imagens e vídeos antes da fusão com o conector visão-linguagem. A quantização NVFP4 reduz o uso de memória mas mantém a precisão próxima do modelo base BF16. A NVIDIA lista deployment apenas em DGX Spark, H200, H100 ou GB200. O contexto chega a 1 milhão de tokens, mas a configuração de inferência recomenda temperatura 1.0 e top_p 0.95 para texto.

A NVIDIA incluiu Multi-Token Prediction para decodificação especulativa nativa. O modelo suporta três níveis de raciocínio configuráveis via chat template: off, on (medium) e on. A opção on (medium) reduz tokens gerados mas pode impactar precisão. Para visão, a temperatura cai para 0.6 e top_p para 0.95. O suporte a seis idiomas — inglês, espanhol, francês, alemão, italiano e japonês — amplia o alcance para desenvolvedores globais.

OpenMDW-1.1 libera uso comercial mas exige hardware enterprise

A licença OpenMDW-1.1 cobre uso comercial e não-comercial sem cobrança por patente. A NVIDIA publicou pesos, dados de treino e receitas abertas, seguindo a filosofia da família Nemotron. Nos benchmarks, o NVFP4 perdeu menos de 1 ponto em GPQA-Diamond (89,52% vs 89,90%) e manteve 89,36% em APEX shortlist. Em AA-Omniscience, a taxa de alucinação caiu de 30% para 27,7%, mas o índice geral subiu de 4,03 para 5,3.

A NVIDIA recomenda vLLM com configuração específica para DGX Spark (GB10) apenas. O container usa vllm/vllm-openai:nightly-3f1bcfd82bb2e93fcd364fc7a5491718453a77e2 ou vllm/vllm-openai:v0.32.0. A API roda na porta 8000 com nome do modelo nemotron-3.5-super-vl. O exemplo usa LiLiCorr com sete tokens especulativos por rascunho. Para desenvolvedores no Brasil, o modelo oferece suporte a cinco línguas europeias e japonês, mas exige hardware enterprise listado pela NVIDIA.