NVIDIA Nemotron 3.5 Super VL: النموذج المفتوح بحجم 120B الذي صدر قبل منشور مدونته الخاصة

كانت أوزان N​VIDIA N​emotron 3.5 Super VL على Hugging Face قبل ثلاثة أيام من كتابة N​VIDIA عنها. مستودع الدقة الكاملة، nvidia/N​VIDIA-N​emotron-3.5-Super-VL-120B-A12B-BF16، أُنشئ في 2026-10-12T15:32:06Z. وشقيقته المكمّمة، nvidia/N​VIDIA-N​emotron-3.5-Super-VL-120B-A12B-NVFP4، ظهرت بعد 24 ثانية. منشور مدونة المطوّرين الخاص بـ N​VIDIA الذي يشرح النموذج مؤرّخ في 15 أكتوبر 2026 — وهو نفس اليوم الذي تقول فيه بطاقات النموذج "Hugging Face - 10/15/2026". لذا وصلت المواد العامة والإعلان العام في يومين مختلفين، والفجوة صغيرة بما يكفي بحيث لا يكون أي من التاريخين خاطئًا وكلاهما يستحق المعرفة.

ما يلي هو ما يقوله المستودع ومنشور NVIDIA فعليًا عن هذا النموذج البصري-اللغوي البالغ 120 مليار معامل و12 مليار معامل نشط: البنية المعمارية، وحسابات النشر، والنقطة التي يُظهر فيها جدوله المنشور أنه متأخر، والمأزق الترخيصي الذي لا تذكره التدوينة إطلاقًا.

ما هو Nemotron 3.5 Super VL في الواقع

تصف N​VIDIA ذلك في منشورها الخاص بأنه «نموذج متعدد الوسائط مفتوح وقابل للتخصيص» صُمّم لسير عمل الوكلاء المتخصص — الاستدلال، واتباع التعليمات، واستخدام الأدوات، إلى جانب فهم النصوص والصور والمستندات والفيديو في مجموعة واحدة من الأوزان. والهدف من هذا المزيج، كما تصوغه N​VIDIA، هو أن الفرق «يمكنها التعامل مع المهام النصية والبصرية دون نشر نماذج نصية ونماذج لغوية بصرية منفصلة أو تمرير سياق المهمة بينها».

البنية المعمارية، وفقاً لبطاقة النموذج:

• البنية — 120B إجمالي المعاملات، و12B نشطة لكل رمز. نموذج مزيج الخبراء (MoE) يضم 512 خبيرًا موجّهًا في كل طبقة من طبقات MoE.

• العمود الفقري — طبقات Mamba-2 والانتباه وMoE متداخلة، وهو تصميم هجين من N​emotron موروث من سلسلة N​emotron 3.

• Vision — مُشفِّر رؤية C-RADIO بالإضافة إلى موصِّل بين الرؤية واللغة. سلسلة معمارية transformers هي NemotronH_Omni_Reasoning_V3، ونوع النموذج nemotron_h_omni.

• السياق — حتى مليون رمز، حيث تتشارك المطالبة والصور وسجل المحادثة ونتائج الأدوات والاستجابة المولّدة جميعًا في تلك النافذة.

• فك التشفير التخميني — رأس تنبؤ أصلي متعدد الرموز، لذا لا حاجة لتنزيل نموذج مسودة منفصل لوصفات vLLM وSGLang التي تنشرها N​VIDIA.

• وضع الاستدلال — قابل للتبديل عبر قالب المحادثة من خلال enable_thinking، مع medium_effort كإعداد وسيط. تتشارك رموز الاستدلال والإجابة نفس ميزانية max_tokens، وهو ما تشير إليه البطاقة صراحةً لأنه السبب المعتاد وراء اقتطاع مخرجات الوكيل.

• المدخلات — نص، صور RGB (JPEG، PNG) وفيديو MP4 حتى دقيقتين. معدل أخذ العينات الموصى به للفيديو في وصفة vLLM هو 2 إطار في الثانية و256 إطارًا بمعدل تقليم 0.5؛ بالنسبة إلى 1080p، تقول البطاقة أن نخفض إلى 1 إطار في الثانية و128 إطارًا.

• اللغات — الإنجليزية والإسبانية والفرنسية والألمانية والإيطالية واليابانية في البيانات التعريفية الأمامية للبطاقة. وتقول N​VIDIA أيضًا إن المدوّنة التدريبية تغطي الإنجليزية بالإضافة إلى 19 لغة منطوقة أخرى و43 لغة برمجة.

مستويان من الدقة، والذاكرة التي يشتريانها

أصدرت NVIDIA النموذج مرتين، والقفزة في الذاكرة بين الإصدارين هي الرقم الأكثر صلةً باتخاذ القرار على الإطلاق في هذا الإصدار.

• BF16 — المرجع كامل الدقة. يحتوي المستودع على 64 جزءًا من safetensors بإجمالي حوالي 231.8 GiB. وصفة التقديم الخاصة بـ NVIDIA هي --tensor-parallel-size 4 على 4× H100، أو TP2 على 2× GB200.

• NVFP4 — أوزان وتنشيطات بدقة 4 بت مع تقطير واعٍ بالتكميم، وهو ما تقول NVIDIA إنه «يسد فجوة الدقة التي يُحدثها التكميم». تعمل نقطة الحفظ نفسها على أجهزة غير Blackwell بأوزان 4 بت وتنشيطات 16 بت، كما يسمح QAD أيضًا بتخزين ذاكرة KV بصيغة NVFP4 بدلًا من FP8. ولأن التكميم يحدث أثناء التدريب وليس بعده، تذكر NVIDIA أنه لا يضيف أي عبء على الاستدلال. تسرد بطاقة NVFP4 النشر على 1× DGX Spark، أو 1× H200، أو 2× H100 أو 1× GB200.

هذا السطر الأخير هو الجانب العملي. نموذج بحجم 120B يتّسع على بطاقتي H100 في FP4 بدلًا من أربع في BF16 هو حديث شرائي مختلف، ولهذا فإن المستودع المُكمَّم هو الذي تشير إليه N​VIDIA للخدمة الفعّالة. وشقيق ثالث، N​VIDIA-N​emotron-3.5-Super-VL-120B-A12B-NVFP4-LiLiCorr، ظهر على Hugging Face قبل الثنائي الرئيسي بيوم دون إعلان مرفق؛ وتشرح مدونة N​VIDIA لاحقًا LiLiCorr كتقنية مفتوحة للفك التخميني وتسميه "أداة المسودة الموصى بها للاستدلال منخفض الكمون مع N​emotron 3.5 Super VL" على DGX Spark. يسبق مستودعه ذلك التفسير بأربعة أيام، وهو مثال مناسب على كيفية ظهور هذا الإصدار.

ثمة سؤال مشروع يكمُن خلف تلك القفزة — ما الذي تتنازل عنه فئة NVFP4 مقارنةً بمرجع BF16 — لكن إجابة NVIDIA نفسها هي ادعاء يتعلق بمنهجية التدريب، وليست جدول دقة منشورًا يقارن جنبًا إلى جنب بين نقطتي التحقق. إذا كان اختيار الدقة هو ما يتوقف عليه قرارك، فهذه المقارنة ليست موجودة في المستودع.

حيث يظهر جدول المعايير الخاص به أنه يخسر

تحتوي بطاقة النموذج على جدول معايير كبير أجراه المورّد — نحو 40 صفًا — يغطي الاستدلال والبرمجة والمهام الوكيلية والسياق الطويل والعمل متعدد اللغات ومتعدد الوسائط. وتُعدّ N​VIDIA صريحة هنا بشكل غير معتاد: فهي تسمّي المقارنات، والعديد منها لا يُجمّل النموذج. أرقامها الخاصة مقابل أقرب منافس مفتوح من الشكل نفسه، Qwen3.5-122B-A10B:

• GPQA-Diamond — N​emotron 3.5 Super VL 89.52 مقابل Qwen3.5-122B-A10B 86.7 (N​emotron متقدم)

• HLE، نصي فقط — 31.79 مقابل 24.2 (N​emotron في المقدمة)

• MMLU-ProX — 76.91 مقابل 83.2 (Qwen متقدم بأكثر من ست نقاط)

• CritPt — 10.86 مقابل 1.1 (تتقدّم Nemotron بفارق كبير)

• LiveCodeBench v6 — 88.22 مقابل 76.7 (N​emotron متقدّم في هذا الإطار الاختباري)

• SWE-bench Verified — 71.10 مقابل 71.9 (تعادل، في حدود الضجيج الإحصائي)

• SWE-bench Pro — 51.78 مقابل 44.9 (Nemotron في المقدمة)

• tau2-bench للبيع بالتجزئة — 69.24 مقابل 55.4 (N​emotron في المقدمة)

• tau2-bench telecom — 73.19 مقابل 87.2 (Qwen متقدّم بـ14 نقطة)

• AA-LCR v1.1 — 68.62 مقابل 75.1 (Qwen متقدّم في السياق الطويل)

• BabyVision — 29.60 مقابل 35.7 (Qwen متقدم)

• MathVision — 78.16 مقابل 83.3 (Qwen في المقدمة)

• معيار OCRBench v2، الإنجليزية — 68.12 مقابل 68.3 (على المستوى نفسه تقريبًا)

• OCRBench v2، الصينية — 59.15 مقابل 67.3 (Q​wen متقدم بثماني نقاط)

• V* — 85.60 مقابل 91.1 (Qwen في المقدمة)

• IFBench — 70.86 مقابل 67.6 (Nemotron متقدم)

• مؤشر AA-Omniscience — 4.03 مقابل -36.1 (كلاهما ضعيف؛ Nemotron أقل سلبية بكثير)

ثمة ثلاثة أمور جديرة بالذكر بشأن هذا الجدول بدلًا من ترك الانتصارات تتحدث عنه.

أولًا، كل رقم فيها — أرقام N​emotron وكل نموذج مرجعي — مُبلَّغ عنه من المورّد وجُمع عبر أداة الاختبار الخاصة بـ N​VIDIA نفسها. تقول البطاقة ذلك صراحةً: «جُمعت جميع نتائج التقييم لـ N​emotron 3.5 Super والنماذج المرجعية عبر NeMo Gym»، مع ملاحظات حول قابلية إعادة الإنتاج منشورة في مستودع NeMo Gym. هذا إفصاح أفضل مما تنجح في تقديمه معظم المختبرات، ومع ذلك لا يزال ليس نتيجة مستقلة. اقرأ الأعمدة على أنها قياسات مختبر واحد لعدة نماذج، لا كلوحة صدارة محايدة.

ثانياً، تُدرج NVIDIA نفسها المعايير التي لم تُدمج في أدواتها المفتوحة — BabyVision، وCharXiv-RQ، وMathVision، وMMLongBench-Doc، وOCR-Reasoning، وOCRBench-v2، وV*، وVideo-MME-v2 — وتقول إن تلك استخدمت تطبيقات رسمية أو «بنية داخلية نخطط لجعلها مفتوحة المصدر في المستقبل». ويحمل كل صف متعدد الوسائط في الجدول هذا التحفظ.

ثالثًا، النمط في الخسائر متماسك وليس عشوائيًا. تكمن الفجوات في التعرّف الضوئي على الحروف (OCR) للغة الصينية، والاستدلال طويل السياق، والرياضيات البصرية وقراءة المخططات البيانية. أما المكاسب فتتجمّع في معايير استدعاء الأدوات والمهام الوكيلية قصيرة الأفق — CritPt، وtau2-bench retail and airline، وAPEX، وTerminal-Bench 2.1 عند 66.70 مقابل 48.70 لـQwen، وSWE-bench Pro. وبالنسبة لطراز تضع NVIDIA نفسها كمنفّذ في حزمة وكلاء متعددة النماذج، فهذا ملف تعريف يمكن الدفاع عنه. وإذا كان عبء عملك هو تحليل المستندات الصينية أو السياق التحليلي الطويل جدًا، فإن الجدول نفسه يخبرك بشيء آخر.

فازت النماذج المُدرَّبة لاحقًا على النماذج الأساسية، وتتصدّر N​VIDIA في ذلك

إن أكثر ادعاء ملموس بشأن الدقة في منشور مدونة NVIDIA ليس نتيجة اختبار مرجعي. بل هو ادعاء حول التخصيص: مفاده أن إخضاع نموذج Nemotron 3.5 Super VL الأساسي لتدريب لاحق يمكن أن يدفع عبء عمل متخصص إلى تجاوز Claude Opus 5. ومثال NVIDIA هو مطالبات التأمين الطبي، حيث تستشهد بتحسن بنسبة 44% من التدريب اللاحق.

هناك أمران مهمان في كيفية إبلاغ NVIDIA عن هذا. يُنسب الرقم إلى مكسب مزعوم من التدريب اللاحق، وليس إلى مقارنة بين نموذج وآخر على معيار عام — وهو نوع مختلف وأضعف من الأدلة. ويحرص منشور NVIDIA نفسه على القول إن هذه المكاسب تأتي مع تحفظات: "النموذج الأساسي لم يتفوق على النماذج الرائدة المملوكة من تلقاء نفسه" هي النسخة الصادقة من الجملة، والتأطير هو أن ميزة الأوزان المفتوحة هي أن بإمكان شركة أن تقوم بالتدريب اللاحق على بياناتها الخاصة وتشغيل النتيجة على بنيتها التحتية الخاصة.

جانب المورّد في القصة نفسها شحيح. تذكر NVIDIA كلاً من Scale AI وRamp وAI21 كمؤسسات درّبت النموذج تدريبًا لاحقًا؛ ويُنقل عن Ramp توقّعه «إنتاجية أعلى بنسبة تصل إلى 50% وزمن استجابة أقل بعشر مرات» لاستخراج الإيصالات إلى JSON، وعن Scale AI انخفاضًا في تكلفة الاستدلال بمقدار 40 ضعفًا وتحسّنًا في زمن الاستجابة بمقدار 5 أضعاف لمعالجة ائتمان المورّد. هذه توقعات ونتائج صرّح بها العملاء، ونشرها المورّد، دون أي قياس مستقل وراءها. وقد تكون صحيحة بالفعل. لم يتحقق منها أحد خارج تلك الشركات.

ما تنشره NVIDIA فعلاً والذي يساعد هو سطح الوصفات: NeMo AutoModel لـ SFT وLoRA، وNeMo RL وNeMo Gym للتعلّم المعزّز والتقييم القائم على البيئة، وNeMo Data Designer لتوليد البيانات متعددة الوسائط، إضافة إلى 45 مجموعة بيانات للرؤية واللغة ومجموعة من مجموعات بيانات استخدام الأدوات الوكيلية والاستدلال المالي واتّباع التعليمات على Hugging Face. يوجد برنامج تعليمي لإعادة الإنتاجية للمعايير المنشورة في مستودع NeMo Gym. الجزء الأخير مفيد حقًا — فهو يعني أنه يمكنك محاولة إعادة تشغيل تقييمات NVIDIA الخاصة بدلًا من الوثوق بالجدول.

الترخيص ليس كما يوحي التسويق.

هذه هي التفصيلة التي تستحق قراءة المستودع من أجلها بدلًا من منشور المدونة.

يصف منشور N​VIDIA النموذج بأنه "نموذج متعدد الوسائط مفتوح وقابل للتخصيص" ويشير إلى "أوزان النموذج المفتوحة". كلا العبارتين دقيقتان بشأن الأوزان. ولا أي منهما بيان بشأن الترخيص. تعرض الواجهة الأمامية لبطاقة النموذج license: other، مع license_name: openmdw-1.1، والشروط الحاكمة هي اتفاقية ترخيص OpenMDW الإصدار 1.1 على الرابط openmdw.ai/license/1-1/. تنص البطاقة بوضوح على أن النموذج "جاهز للاستخدام التجاري أو غير التجاري"، وتشير لغة النشر الخاصة بـ N​VIDIA نفسها إلى تشغيله في "بيئات محلية أو مراكز بيانات أو سحابية مدعومة".

إذن: قابلة للاستخدام التجاري، وفقًا لـ NVIDIA. لكن «مفتوح» هنا يعني OpenMDW-1.1، وليس Apache 2.0 وليس MIT. وإذا كانت لدى مؤسستك قائمة بتراخيص مفتوحة المصدر معتمدة مسبقًا، فتلك القائمة هي ما يجب التحقق منه قبل أي شيء آخر — والفرق العملي بين «أوزان مفتوحة» وترخيص مسمّى هو بالضبط نوع الفجوة التي تكلّف دورة إصدار كاملة إذا اكتُشفت متأخرًا. هذا ليس انتقادًا للنموذج، وOpenMDW ليس ترخيصًا تقييديًا. إنه تذكير بأن الصفة في منشور المدونة تؤدي عملًا أقل مما تؤديه البيانات التعريفية الأمامية في البطاقة.

تجربته دون المراهنة بمسار الإنتاج عليه

وصفات النشر المنشورة هي أحادية الجهاز صراحةً، وهذا يحدد طريقة تقييم ذلك. تعمل أوامر vLLM الخاصة بـ N​VIDIA في كلتا البطاقتين عند TP4 على 4× H100 أو TP2 على 2× GB200 مع --trust-remote-code — إذ يأتي النموذج مع شيفرة نمذجة مخصّصة — وتستخدم وصفة SGLang lmsysorg/sglang:v0.5.20 على اثنتين من GB200. بالنسبة إلى DGX Spark، توجد نقطة تفتيش مخصّصة لمسوّد LiLiCorr، وتوصي N​VIDIA بها في جميع سيناريوهات Spark؛ وتزعم الشركة توليد رموز أسرع بما يصل إلى 2.3x مقارنةً بفك الترميز دون تخمين. على 16 من B200 مع Dynamo، تذكر N​VIDIA تقديم الخدمة لما يصل إلى 8x من المستخدمين مع انخفاض زمن الوصول إلى الرمز الأول بنسبة 85% عند 50 رمزًا في الثانية لكل مستخدم. كل واحد من هذه قياس داخلي لدى المورّد.

تلك تكلفة تقييم حقيقية لنموذج عمره ثلاثة أيام، وليس له لوحة نتائج مستقلة، وتأتي صفوفه متعددة الوسائط مصحوبة بتحفظ حول بنية دعم غير مفتوحة. والطريقة الرخيصة لفحص الأمر ليست تشغيل أربع وحدات H100 أولاً.

الطريقة الرخيصة لفحص إصدار حديث إلى هذا الحد هي عبر بوابة واحدة بدلًا من طلب عتاد ثانٍ. على OrcaRouter يعني ذلك مفتاح واحد عبر أكثر من 200 نموذج بسعر قائمة المزوّد مع هامش ربح 0%، دون عقد منفصل ودون تغيير في الكود، والتبديل التلقائي عند الفشل عبر المزوّدين بحيث لا يكون نموذج لم تتحقق من صحته بعد نقطة فشل واحدة في مسار الإنتاج. هذا النموذج تحديدًا ليس على الكتالوج بعد — فقد أطلقته NVIDIA قبل أيام — لذا يأتي اليوم من واجهة API الخاصة بالمورّد أو من المنصات الخارجية التي تقدمه. ما يمنحك إياه ذلك هو المقارنة التي يمكنك إجراءها فعلاً الآن: ضع المرشّحين الذين يزعم أنه يتفوق عليهم خلف المفتاح نفسه، وشغّل مهامك الخاصة عبرها وبالمقارنة مع النماذج التي تستخدمها بالفعل، ودع طبقة التوجيه تجعل التبديل تغييرًا في الإعدادات بدلًا من عملية ترحيل. عندها فقط يصبح سؤال 4× H100 أو 2× GB200 قرار شراء بدلًا من تخمين.

المغزى ليس أن التوجيه يحل محل معيار مرجعي، بل إن القرار الذي يمكنك اتخاذه اليوم هو تحديد المهام التي ينبغي أن يتولاها هذا النموذج في منظومتك التقنية، وهذا القرار لا يتطلب طلب شراء عتاد.

ما الذي لم يُثبت بعد؟

القائمة الصادقة لما لا نعرفه قصيرة لكنها بالغة الأثر، وهي القائمة التي ينبغي العمل انطلاقًا منها بدلًا من التسويق:

• لا يوجد تقييم مستقل.كل درجة مذكورة أعلاه مصدرها تشغيل NeMo Gym من N​VIDIA. تستشهد مدونة N​VIDIA باختبارات معيارية من Artificial Analysis وتقييم مستقل من EXO Labs يضع النموذج على حدود باريتو بين الدقة وإكمال المهام الخاصة بـ DGX Spark، لكن بطاقة النموذج لا تنشر أي درجة من طرف ثالث خاصة بها، ولا توجد له صفحة نموذج مستقلة على المجمعات الرئيسية وقت كتابة هذا النص.

• الفارق في الدقة بين BF16 وNVFP4 غير مُقاس كميًّا. تستند حجة NVIDIA بشأن NVFP4 إلى التقطير الواعي بالتكميم لسدّ هذه الفجوة. لكن هذا ادعاء منهجي، وليس مقارنة دقة منشورة بين نقطتي الحفظ (checkpoints) اللتين يمكنك تنزيلهما فعليًّا.

• أُجريت حملة الاختبارات المعيارية جزئيًا باستخدام أدوات NVIDIA الخاصة. استخدمت ثمانية اختبارات معيارية متعددة الوسائط تطبيقات رسمية أو هياكل داخلية تقول NVIDIA إنها "تخطط لجعلها مفتوحة المصدر في المستقبل" — مما يعني أن تلك النتائج قابلة لإعادة الإنتاج من حيث المبدأ، في يوم ما، وليس اليوم.

• المكاسب المحققة بعد التدريب مصدرها البائع والعملاء. إن ادعاءات زيادة بنسبة 44% وأرقام Ramp وScale AI تصرّح بها Nvidia عن عملائها. لم يقم أحد بقياسها بشكل مستقل.

• لم يتم اختبار سلوك السياق الطويل عند نافذة 1M الكاملة خارج المورّد. بُنيت البنية لهذا الغرض، وتنشر NVIDIA وصفات النشر الخاصة به. إن مسألة ما إذا كان الاستدعاء يصمد عبر مليون رمز كامل على مستندات حقيقية هي بالضبط نوع الأمور التي تظهر في الاختبارات المستقلة ولا تظهر في جدول المورّد.

هل يجب أن تتخذ إجراءً بشأن هذا الآن؟

إذا كنت تبني وكلاء للمستندات أو المخططات أو الفيديو أو الأدوات المتعددة، وسبق أن خصّصت ميزانية لاستدلال من فئة 120B، فهذا يستحق نظرة جادة هذا الأسبوع: فئة NVFP4 تضعه على وحدتَي H100، والترخيص يسمح بالاستخدام التجاري، وصفوف استدعاء الأدوات في جدول NVIDIA هي أقوى ما فيه. كما أن بنية الـ12B النشطة تعني أنه أرخص لكل توكن مما يوحي به إجماليه البالغ 120B — وعلى جانب OrcaRouter، يسري تغيير سعر المورّد عليه في اليوم نفسه بدلًا من بعد دورة فواتير، لأن سعر القائمة لدى المزوّد يُمرَّر كما هو دون إضافة أي هامش ربح.

إذا كان عبء العمل لديك يعتمد على التعرّف الضوئي على الحروف باللغة الصينية، أو سياق تحليلي طويل جدًا، أو الرياضيات المرئية، فإن جدول NVIDIA نفسه يمنحك ثلاثة أسباب محددة للانتظار حتى صدور أرقام مستقلة بدلًا من الاستدلال بناءً على المواد التسويقية.

في كلتا الحالتين، ما يستحق المتابعة ليس منشورًا آخر من مورّد. بل أول تقييم مستقل يشغّل نقطة حفظ NVFP4 مقابل نظيرتها BF16 على أداة التقييم نفسها، وأول نتيجة من طرف ثالث لم تُجمَع عبر NeMo Gym. وإلى أن توجد هذه وتلك، فهذا نموذج مفتوح موثّق جيدًا، وذو ترخيص مريح، وفعّال حقًا، تستند أقوى ادعاءاته بالكامل إلى قياسات صانعه نفسه — وقد كان صانعه نفسه واضحًا بما يكفي لينشر الصفوف التي يخسر فيها.

تلك الفجوة بين ما تقيسه لوحة النتائج وما يواجهه النشر هي سبب أهمية السجل: فحالات فشل الذكاء الاصطناعي الموثقة وحوادث الوكلاء المرتبطة بنماذج من هذه الفئة مجموعة في the OrcaRouter AI Incident Archive، حيث يحمل كل مدخل مصادره الخاصة ودرجة خطورته وتصنيف ثقته وعلامته كمتنازع عليه.