NVIDIAがNemotron 3.5 Super VLを公開：文書・画像・動画と道具操作を一つのAIで処理

NVIDIAは10月15日、文章だけでなく画像、表、複数ページの文書、動画も理解し、道具を使って作業できる公開AIモデル「Nemotron 3.5 Super VL」を発表しました。社内資料の確認、Web調査、コード修正、脆弱性の整理など、複数の手順を続けて行う企業向けAIエージェントを作るためのモデルです。

モデル全体は1200億パラメータですが、入力を処理するときは必要な120億だけを動かすMoE方式です。NVIDIAの測定では、同じ規模の公開モデルと比べ、単一GPU上のエージェント作業で最大5倍の処理量を示しました。文書内の表と別ページのグラフを結び付けて要約することも想定しています。

公開評価ではHermes Benchが63.44%、LangChain Evalsが87.05%で、Nemotron 3 Ultraの56.33%、84.3%を上回りました。

開発者は、公開された重みを自社環境や対応クラウドで動かし、NVIDIA NeMoを使って自社の用語、道具、手順、規則に合わせて追加学習できます。基本版、追加学習済み版、容量を抑えたNVFP4版に加え、学習手順、強化学習環境、Hugging Face上のデータも公開されました。まず少量の社内文書で、表の読み取りや根拠提示を試し、人が正解を確認する使い方が現実的です。

ただし「最大5倍」はNVIDIAが示した特定条件の測定で、手元のGPUや仕事で同じ速さになる保証はありません。1200億規模のため、一般的なパソコンで気軽に動かせる小型AIでもありません。公開モデルでも、社内情報の権限管理、誤回答の検査、導入費用の確認は別に必要です。出典はNVIDIA公式技術ブログで、10月18日に確認しました。