阶跃星辰表示 Step 5 Preview 在 NVIDIA GB300 上展现出强劲的推理性能，并期待开发者基于它进行构建。NVIDIA AI 在引用推文中称这是阶跃星辰规模最大的开放权重发布，600B MoE 模型可处理长达 24 小时的智能体任务，在 NVIDIA GB300 上使用 NVFP4 时达到近 8K tokens/sec/GPU，并提供 NVFP4 checkpoint 以及 SGLang、vLLM、NeMo Automodel 和 NVIDIA NIM 的部署与后训练路径。
匹配字段标题、摘要、正文
NVIDIA 发布两款新模型 Nemotron-3.5-Bolt 和 Nemotron-3.5-Super-VL。Nemotron-3.5-Bolt-74B-A9B 可在 24GB 内存上运行，Unsloth 称其在该体量下性能处于顶尖水平；Super-VL-120B-A12B 需要 82GB 内存。NVIDIA 介绍 Super VL 为开源模型，将推理与工具调用同文本、图像、文档和视频理解结合，面向长时间运行的 AI 智能体，总参数 120B、激活 12B。Unsloth 同时提供了两款模型的 GGUF 下载链接和使用指南。
匹配字段标题、摘要、正文
NVIDIA 发布开源多模态模型 Nemotron 3.5 Super VL，总参数 120B、每 token 激活 12B，面向视觉推理与智能体工作流。该模型支持图像、文档和视频理解，以及视觉推理、工具调用和文档智能等场景，目前已上线 fal 平台。
匹配字段标题、摘要
NVIDIA 发布 Nemotron 3.5 Super VL 与 Nemotron 3.5 Bolt 74B-A9B 24GB 两款开源权重模型，前者在 Artificial Analysis Intelligence Index 上得分 26.5，成为该机构评测中领先的美国开源权重模型，超过 Thinking Machines 的 Inkling Small（25.7）、NVIDIA 自家 Nemotron 3 Ultra（23）和 Meta 的 Muse Glimmer（17）。Super VL 的智能水平约为前代 Nemotron 3 Super（13）的两倍，且每任务输出 token 减少约 60%，采用 NVFP4 发布，得分与 BF16 权重相差 0.1 分以内。Bolt 是该系列首款模型，得分 21，参数为 74B/9B，上下文窗口 256k；Super VL 参数为 120B/12B，上下文窗口 1M，两者均支持视觉与文本输入、文本输出。
匹配字段标题、摘要、正文
NVIDIA 于 2026 年 10 月 15 日发布开放多模态模型 Nemotron 3.5 Super VL，参数量 120B，采用 MoE 架构、每 token 激活 12B 参数，面向常驻智能体场景；同时推出面向边缘与本地硬件的 Nemotron 3.5 Bolt 74B-A9B 24GB，Nemotron 3.5 Bolt E4B 4GB 计划于 10 月 23 日发布。NVIDIA 称 Super VL 在多模态智能体任务上的准确率可与其最大推理模型相比，参数量约为后者的五分之一，单 GPU 吞吐最高为同尺寸其他开放模型的 5 倍，并报告 Hermes Bench 63.44%、LangChain 行为评测 87.05%、CharXiv 80.8% 等结果。模型提供 base、后训练和 NVFP4 量化 checkpoint，已在 Hugging Face、OpenRouter、ModelScope 和 NVIDIA NIM 上线，Bolt 74B 支持 llama.cpp、Ollama、LM Studio、Unsloth 和 vLLM。
匹配字段标题、摘要、正文
NVIDIA 开源多模态模型 Nemotron 3.5 Super VL 已在 Baseten 上线，这是一个 120B-A12B 的 MoE 模型，面向文本、图像和视频的智能体工作流。它基于 Nemotron 3 Super 架构加入视觉编码器，采用混合 Mamba-Transformer 架构与多 token 预测（MTP），并支持 NVFP4 KV cache 量化以降低长上下文推理显存。NVIDIA 报告称其在 GDPval 上 Elo 为 1190（Nemotron 3 Super 为 493），SciCode 与 GPQA-diamond 也更高；Baseten Loops 在发布当天提供监督微调和强化学习训练支持。
匹配字段标题、摘要、正文
NVIDIA 发布 Nemotron 3.5 Super VL，这是一个 120B 参数的开放模型，面向常驻智能体任务，官方称其在同类开放模型中吞吐最高，比次优模型快 5 倍，准确率接近 NVIDIA 最大推理模型而参数量约为其五分之一。同时推出两款端侧模型 Nemotron 3.5 Bolt 74B-A9B 24GB 和 Bolt E4B 4GB，前者用原生 2-bit 量化塞进 24GB 显存，可在 RTX/DGX Spark 本地运行智能体任务，后者面向 GeForce RTX、Jetson 上的语音与对话智能体。Super VL 与 Bolt 74B-A9B 已上线 Hugging Face，Bolt E4B 将于 10 月 23 日发布；Super VL 还提供开放权重、开放数据集和训练配方，支持企业用自有数据后训练。
匹配字段标题、摘要、正文
NVIDIA 发布 Nemotron 3.5 Super VL 与 Nemotron 3.5 Bolt 74B-A9B 两款开源权重模型，前者在 Artificial Analysis 智能指数上得分 26，成为得分最高的美国开源权重模型，超过 Thinking Machines 的 Inkling Small（25.7）、NVIDIA Nemotron 3 Ultra（23）和 Meta Muse Glimmer（17）。Super VL 支持 1M token 上下文与视觉文本输入，参数量 120B/12B，每任务输出约 46k token，比前代 Nemotron 3 Super 少约 60%，在 NVFP4 权重下与 BF16 得分相差 0.1 分以内。Bolt 是新 Bolt 系列首款模型，74B/9B 参数、256k 上下文，智能指数 21.4，在 100B 以下模型中排第 4、美国同级别中排第 1。
匹配字段标题、摘要、正文
NVIDIA 发布开源多模态模型 Nemotron 3.5 Super VL，支持文本、图像、文档和视频输入并输出文本，采用 120B 总参数、每 token 激活 12B 的 MoE 架构。SGLang 提供 Day-0 支持，通过连续批处理、前缀缓存和投机解码部署，在单张 RTX 6000 PRO 上借助 MTP 达到 243.9 tok/s。模型权重已在 Hugging Face 提供 BF16 和 NVFP4 两个版本。
匹配字段标题、摘要、正文
Nvidia 发布 Nemotron 3.5 系列三款新模型：120B 的 Nemotron 3.5 Super VL 视觉语言模型，以及面向本地运行的 Nemotron 3.5 Bolt 74B-A9B 24GB 和 Bolt E4B 4GB。Bolt 74B 通过二比特量化把 74B 模型压到 24GB 显存，激活 9B 参数，支持 llama.cpp、Ollama、LM Studio 和 vLLM，面向笔记本上的编码、研究与多步工具调用任务。Super VL 沿用 Mamba-2、注意力和 MoE 混合架构并新增视觉编码器，支持图像与视频输入，上下文窗口最高 100 万 token；在 Nvidia 自测中 Terminal-Bench 2.1 得 66.7 分高于 Qwen3.5-122B-A10B 的 48.7，但 SWE-bench Verified 以 71.1 略低于对方的 71.9。两款较大模型已在 Hugging Face 以 OpenMDW 1.1 许可开放下载，Bolt E4B 4GB 将于近期推出。
匹配字段标题、摘要、正文
Nvidia 发布 Nemotron 3.5 系列模型，包括开源的 120B 参数 Super VL、面向本地运行的 Bolt 74B-A9B 24GB，以及本月晚些时候推出的 Bolt E4B 4GB。Super VL 与 Nemotron Coalition 合作构建，支持指令跟随、工具调用、多步业务流程和视觉理解，Nvidia 称其能力接近自家最大推理模型而体积仅为五分之一，输出速度约为同类模型的近五倍。Bolt 74B-A9B 采用混合 MoE 架构，每次激活 74B 中的 9B 参数，并用 2-bit 量化装入 24GB 内存，可在企业工作站或 PC GPU 上本地完成写代码和调试等任务；Bolt E4B 4GB 面向 GeForce RTX、Jetson 和 RTX/GTX Spark 等边缘设备。Nvidia 同时在 Hugging Face 开放智能体工具调用、金融、指令跟随、长上下文、安全、公平性和视觉语言理解等数据集。
匹配字段标题、摘要、正文
NVIDIA 发布 Nemotron 3.5 Super VL，这是一个 120B 参数、每 token 激活 12B 的 MoE 开源视觉语言模型，支持文本、图像、文档和视频输入，上下文最高 1M tokens，权重以 OpenMDW-1.1 许可发布。NVIDIA 报告其在 GPQA-Diamond 得 89.90、SWE-bench Verified 得 71.07，但在 tau3-bench banking 仅 17.78。模型可在 1x DGX Spark、1x H200、2x H100 或 1x GB200 上运行 NVFP4 检查点，并已上线 Hugging Face、OpenRouter、ModelScope 和 NVIDIA NIM，同时发布面向本地智能体的 Nemotron 3.5 Bolt 74B-A9B。
匹配字段标题、摘要、正文
Nvidia 发布 Nemotron 3.5 Super VL，这是一个 1200 亿参数的开源多模态模型，面向持续在后台运行的企业智能体，处理文本、图像、文档和视频。该模型采用 MoE 架构，每个 token 仅激活 120 亿参数，由 Nvidia 与包含 Mistral AI、Thinking Machines Lab、Perplexity 和 Black Forest Labs 的 Nemotron Coalition 共同开发。同时推出两款面向本地硬件的模型：Nemotron 3.5 Bolt 74B-A9B 24GB 可在本地机器运行智能体任务，更小的 Bolt E4B 4GB 面向语音助手，将于本月晚些时候发布。Nvidia 称 Super VL 从 Nemotron 3 Ultra 蒸馏而来，在智能体指令遵循、工具调用、多步业务流程和图像分析任务上以约五分之一参数达到 Ultra 的准确率，在 Hermes 和 LangChain 的智能体测试中得分高于 Ultra，并在 SWE-bench 和 Terminal-Bench 上超过前代 Nemotron 3 Super。权重以 base、post-trained 和 4-bit 压缩三个版本发布，同时公开数据集、训练配方和强化学习环境，预训练与持续预训练使用超过 25 万亿 token。
匹配字段标题、摘要、正文
NVIDIA 发布 Nemotron 3.5 Super VL，这是一个开放可定制的多模态模型，采用 120B 参数 MoE 架构，每个 token 激活 12B 参数，面向智能体工作流。该模型在单 GPU 上处理智能体任务的吞吐量最高可达同尺寸其他开放模型的 5 倍，并统一支持推理、指令遵循、工具调用以及文本、图像、文档和视频理解。Scale AI、Ramp、AI21 等机构已对其做后训练，实现最高 40 倍推理成本下降、10 倍延迟下降和 40% 准确率提升，开发者可用 NVIDIA NeMo 进行 SFT、LoRA 和强化学习定制。
匹配字段标题、摘要、正文
NVIDIA 发布 Kumo Tabular 表格基础模型系列，用于分类与回归，包含 Small、Medium、Large 三个版本，参数量约 28M 到 215M，通过其开源 structured-data-models（SDM）库运行。模型以带标签的行作为上下文，单次前向即可预测新行，无需训练、超参数调优和特征工程；权重采用允许商用的 OpenMDW-1.1 许可，SDM 代码为 Apache-2.0，需要 Python 3.11+ 与 PyTorch 2.7+。NVIDIA 称在默认设置下 Kumo Tabular 以 1950 的 Elo 在 TabArena 总榜排名第一，在单张 RTX 6000 Pro 上比 LimiX-2 快 17 倍。
匹配字段标题、摘要、正文
NVIDIA 发布开源表格分类与回归基础模型 Kumo Tabular，基于 Transformer 的列、行与上下文注意力，读取带标签的表格后单次前向即可输出类别概率或数值预测。模型完全在人工合成表格上预训练，Small/Medium/Large 三档分别见过约 3500 万、7100 万、1.37 亿张表。官方称其在 TabArena 榜单以 ELO 1950 排名第一，在统一单张 RTX 6000 Pro 环境下比 LimiX-2 快 17 倍，并在 BeyondArena、TALENT、ScoringBench 上取得领先排名。模型仅支持数值与类别列，单次前向最多覆盖 10 个类别，训练配方与合成数据生成器将随后发布。
匹配字段标题、摘要、正文
Inception Labs 发布 Mercury 2，称其为全球首个推理扩散语言模型，在标准 NVIDIA GPU 上解码速度超过 1000 tokens/秒，300 token 的推理轨迹可在 300 毫秒内完成，把推理等待从 3 秒降到 300 毫秒。该模型提供 instant、low、medium、high 四档 reasoning_effort，其中 medium 在 IFBench 上比 GPT 4.1 高 27 分、在 Tau3Bench Telecom 上高 24 分，且仍快于 GPT 4.1 的非推理解码。Mercury 2 定价为输入 $0.25/M tokens、输出 $0.75/M tokens，兼容 OpenAI API，可接入 LiveKit、Pipecat、Vapi、Retell 等现有编排栈，API 已在 platform.inceptionlabs.ai 上线。
匹配字段标题、摘要、正文
NVIDIA 发布 NV-Reason-CT，一个面向 3D CT 分析的视觉语言模型，将思维链推理扩展到全容积 CT，可生成结构化诊断报告并支持多轮追问。模型由 3D ViT 编码器与 Qwen3.5-4B 语言模型组成，在 CT-RATE 基准上取得 Macro-F1 0.614、Macro-AUROC 0.871，超过已发表的 3D 对比学习与 2D/3D 融合基线。权重和配置已在 Hugging Face 开放，训练配方与推理脚本发布在 NVIDIA-Medtech/NV-Reason-CT 仓库，定位为供研究者后训练的研究基础模型，而非获批的临床诊断产品。
匹配字段标题、摘要、正文
Jensen Huang 称 OpenAI 的 GPT-6 Astra 使用约 100K+ 个 NVIDIA Grace Blackwell NVLink72 训练，并将其称为 AGI。其表示，从 ChatGPT、o1 到 Astra 历时 4 年，接下来还将有 400K 个 GPU 上线。
匹配字段标题、摘要、正文
NVIDIA 发布 Nemotron 3.5 Lightning，这是一个 30B 总参数、3B 激活参数的开放 MoE 模型，面向长时运行智能体的高并发低延迟执行任务。模型在预训练阶段内置多 token 预测（MTP）投机解码，并提供 DSpark 与 DFlash 草稿模型，同时发布 NVFP4 量化与 BF16 检查点，可在 Blackwell、Hopper、Ampere GPU 及 DGX Spark 上运行。在 PinchBench 上它以 86% 准确率完成 10000 个任务，速度比 Qwen3.6 35B 快 30%，权重与训练数据按 OpenMDW-1.1 协议开放，并可用 LoRA、SFT 和 NeMo RL 定制。
匹配字段标题、摘要、正文