Nvidia veröffentlicht offenes Modell Nemotron 3.5 Super VL, jetzt auch auf Amazon SageMaker JumpStart

Nvidia hat Nemotron 3.5 Super VL veröffentlicht, ein offenes Vision-Language-Modell mit 120 Milliarden Parametern, das das Unternehmen für dauerhaft aktive Unternehmensagenten positioniert. Laut Nvidia erscheint das Modell mit offenen Gewichten, offenen Datensätzen und Trainingsrezepten und ist auf Hugging Face, über die ModelScope-Community und als Nvidia-NIM-Microservice verfügbar. Zugleich wurden zwei kleinere Edge-Modelle angekündigt: Nemotron 3.5 Bolt 74B-A9B 24GB, das ab sofort verfügbar ist, und Nemotron 3.5 Bolt E4B 4GB, das laut Nvidia am 23. Oktober folgen soll.

Einen Tag nach dem Start teilte AWS mit, dass Nemotron 3.5 Super VL auf Amazon SageMaker JumpStart verfügbar ist. Laut der AWS-Mitteilung nutzt das Modell ein hybrides Mixture-of-Experts-Sprachrückgrat mit 12 Milliarden aktiven Parametern plus einen Vision-Encoder, akzeptiert Bilder, Video und Text als Eingabe, erzeugt Textausgaben und unterstützt Kontextlängen von bis zu 1 Million Token. AWS beschreibt außerdem einen integrierten Multi-Token-Prediction-Head für spekulatives Decoding, Reasoning, das sich pro Anfrage ein- oder ausschalten lässt, Unterstützung für zehn Sprachen, strukturierte JSON-Ausgabe und Tool Calling. SageMaker JumpStart bietet zwei Varianten: einen NVFP4-Build für Inferenz auf G7-Instanzen (GPUs vom Typ RTX PRO 4500 Blackwell Server Edition) sowie BF16-Referenzgewichte, angeboten auf ml.p5en.48xlarge, für Fine-Tuning, Reinforcement Learning, Distillation und Domänenanpassung. Kunden können aus dem JumpStart-Modellkatalog in der SageMaker-Konsole oder über das SageMaker Python SDK bereitstellen.

Die Leistungsaussagen von Nvidia selbst sind in den verfügbaren Quellen nicht unabhängig verifiziert. Das Unternehmen sagt, Super VL erreiche eine Genauigkeit, die mit seinem größten Reasoning-Modell vergleichbar sei, bei etwa einem Fünftel der Parameterzahl, und behauptet, es sei fünfmal schneller als das nächstbeste offene agentische Modell seiner Klasse, wobei es den Durchsatz auf der Rangliste des Artificial Analysis Intelligence Index anführt. Nvidia sagt zudem, das Modell habe rund 26 Billionen Trainingstoken gesehen und sei anschließend mit etwa 3,8 Millionen Beispielen nachtrainiert (Post-Training) worden, gefolgt von Reinforcement Learning in Dutzenden Umgebungen. Die Bildseite zielt auf optische Zeichenerkennung (OCR), Tabellen, Diagramme und strukturierte Informationen in Dokumenten, Webseiten und PDFs, damit Agenten nicht zwischen getrennten Text- und Bildsystemen wechseln müssen.

Nvidia nennt eine Reihe von Organisationen, die das Modell anpassen oder integrieren, darunter Atlassian für agentische Suche über Jira und Confluence hinweg, CrowdStrike für defensives Blue Teaming in der Unternehmenssicherheit, Perplexity für Suche und agentische Aufgaben, Salesforce für die Automatisierung behördlicher Workflows über Missionforce Operations sowie Scale AI, das laut Nvidia das Modell für Finanz- und Due-Diligence-Agenten bei Skydance und EY nachtrainiert hat. Das kleinere Bolt 74B-A9B 24GB ist laut Nvidia dafür ausgelegt, lokale agentische Aufgaben auf RTX- und DGX Spark-Systemen auszuführen, mit einer nativen 2-Bit-Quantisierung, die in 24GB Speicher passt, und Unterstützung für llama.cpp, Ollama, LM Studio, Unsloth und vLLM. Nvidia sagt, Bolt E4B 4GB richte sich an Konversations- und physische Agenten auf Hardware mit GeForce RTX, Jetson und RTX/DGX Spark.