NVIDIA Nemotron 3.5 Super VL : le modèle ouvert de 120 B qui est sorti avant même son propre article de blog

Les poids de N​VIDIA N​emotron 3.5 Super VL étaient sur Hugging Face trois jours avant que N​VIDIA n'écrive à leur sujet. Le dépôt en pleine précision, nvidia/N​VIDIA-N​emotron-3.5-Super-VL-120B-A12B-BF16, a été créé le 2026-10-12T15:32:06Z. Sa variante quantifiée, nvidia/N​VIDIA-N​emotron-3.5-Super-VL-120B-A12B-NVFP4, est apparue 24 secondes plus tard. Le billet de blog des développeurs de N​VIDIA expliquant le modèle est daté du 15 octobre 2026 — le jour même où ses fiches de modèle indiquent « Hugging Face - 10/15/2026 ». Ainsi, les artefacts publics et l'annonce publique sont arrivés à des jours différents, et l'écart est suffisamment petit pour qu'aucune des dates ne soit fausse et que les deux méritent d'être connues.

Ce qui suit est ce que le dépôt et la publication de N​VIDIA disent réellement à propos de ce modèle vision-langage de 120 milliards de paramètres, dont 12 milliards actifs : l'architecture, les mathématiques du déploiement, là où son propre tableau publié montre qu'il perd, et le piège de licence que le billet de blog ne mentionne jamais.

Ce qu'est réellement Nemotron 3.5 Super VL

N​VIDIA le décrit dans son propre article comme « un modèle multimodal ouvert et personnalisable » conçu pour des flux de travail d’agents spécialisés — raisonnement, suivi d’instructions et utilisation d’outils, combinés à la compréhension de texte, d’images, de documents et de vidéos dans un seul ensemble de poids. L’intérêt de cette combinaison, telle que N​VIDIA la présente, est que les équipes « peuvent traiter des tâches textuelles et visuelles sans déployer des modèles textuels et des modèles vision-langage distincts, ni transmettre le contexte de la tâche entre eux. »

L’architecture, d’après la fiche du modèle :

• Shape — 120 B de paramètres au total, 12 B actifs par token. Un modèle à mélange d'experts avec 512 experts routés par couche MoE.

• Backbone — couches Mamba-2, attention et MoE entrelacées, une conception hybride Nemotron reprise de la gamme Nemotron 3.

• Vision — un encodeur de vision C-RADIO ainsi qu'un connecteur vision-langage. La chaîne d'architecture transformers est NemotronH_Omni_Reasoning_V3, type de modèle nemotron_h_omni.

• Contexte — jusqu'à 1M de tokens, le prompt, les images, l'historique de conversation, les résultats d'outils et la réponse générée partageant tous cette fenêtre.

• Décodage spéculatif — une tête native de prédiction multi-jetons, donc aucun drafteur distinct à télécharger pour les recettes vLLM et SGLang publiées par N​VIDIA.

• Mode de raisonnement — activable/désactivable via le template de chat grâce à enable_thinking, avec un réglage medium_effort intermédiaire. Les tokens de raisonnement et la réponse partagent le même budget max_tokens, que la fiche signale explicitement car c'est la cause habituelle de sorties d'agent tronquées.

• Entrées — texte, images RVB (JPEG, PNG) et vidéo MP4 jusqu'à deux minutes. L'échantillonnage vidéo recommandé dans la recette vLLM est de 2 FPS et 256 images avec un taux d'élagage de 0,5 ; pour la 1080p, la fiche indique de descendre à 1 FPS et 128 images.

• Langues — anglais, espagnol, français, allemand, italien et japonais dans les métadonnées de la carte. N​VIDIA précise également que le corpus d'entraînement couvre l'anglais ainsi que 19 autres langues parlées et 43 langages de programmation.

Deux niveaux de précision, et la mémoire qu’ils permettent d’économiser

NVIDIA a livré le modèle deux fois, et l'écart de mémoire entre les deux est le chiffre le plus déterminant pour la décision de cette publication.

• BF16 — la référence en pleine précision. Le dépôt contient 64 fragments safetensors totalisant environ 231,8 Gio. La recette de serving propre à N​VIDIA est --tensor-parallel-size 4 sur 4× H100, ou TP2 sur 2× GB200.

• NVFP4 — des poids et des activations en 4 bits avec distillation tenant compte de la quantification, qui, selon NVIDIA, « comble l'écart de précision introduit par la quantification ». Le même point de contrôle s'exécute sur du matériel non-Blackwell avec des poids en 4 bits et des activations en 16 bits, et le QAD permet aussi de stocker le cache KV en NVFP4 plutôt qu'en FP8. Comme la quantification a lieu pendant l'entraînement plutôt qu'après, NVIDIA affirme qu'elle n'ajoute aucune surcharge d'inférence. La fiche NVFP4 mentionne un déploiement sur 1× DGX Spark, 1× H200, 2× H100 ou 1× GB200.

Cette dernière ligne est la plus pragmatique. Un modèle 120B qui tient sur deux H100 en FP4 au lieu de quatre en BF16, c'est une autre conversation d'achat, et c'est pourquoi le dépôt quantisé est celui que NVID​IA désigne pour un service efficace. Un troisième frère, NVID​IA-N​emotron-3.5-Super-VL-120B-A12B-NVFP4-LiLiCorr, est apparu sur Hugging Face un jour avant la paire principale, sans la moindre annonce ; le blog de NVID​IA explique ensuite que LiLiCorr est une technique ouverte de décodage spéculatif et le présente comme « le drafter recommandé pour l'inférence à faible latence avec N​emotron 3.5 Super VL » sur DGX Spark. Son dépôt précède cette explication de quatre jours, ce qui illustre bien la manière dont cette publication a fait surface.

Il y a une question légitime sous ce saut — ce que le palier NVFP4 abandonne par rapport à la référence BF16 —, mais la réponse de N​VIDIA elle-même est une affirmation sur la méthodologie d'entraînement, et non un tableau d'exactitude comparatif publié pour les deux checkpoints. Si c'est le choix de précision qui détermine votre décision, cette comparaison ne figure pas dans le dépôt.

Là où son propre tableau de benchmarks montre qu’il perd

La fiche de modèle contient un grand tableau de benchmarks réalisés par le fournisseur — environ 40 lignes — couvrant le raisonnement, le codage, les tâches agentiques, le contexte long, ainsi que les travaux multilingues et multimodaux. N​VIDIA se montre ici d'une transparence inhabituelle : elle nomme les comparaisons, et plusieurs d'entre elles ne flattent pas le modèle. Ses propres chiffres face au concurrent ouvert le plus proche de même format, Qwen3.5-122B-A10B :

• GPQA-Diamond — N​emotron 3.5 Super VL 89,52 contre Qwen3.5-122B-A10B 86,7 (N​emotron en tête)

• HLE, texte uniquement — 31,79 vs 24,2 (Nemotron en tête)

• MMLU-ProX — 76,91 vs 83,2 (Qwen en avance de plus de six points)

• CritPt — 10,86 vs 1,1 (Nemotron largement en tête)

• LiveCodeBench v6 — 88,22 contre 76,7 (N​emotron en tête sur ce banc d'essai)

• SWE-bench Verified — 71,10 vs 71,9 (égalité, dans la marge de bruit)

• SWE-bench Pro — 51,78 vs 44,9 (Nemotron en tête)

• tau2-bench retail — 69,24 vs 55,4 (Nemotron en tête)

• tau2-bench telecom — 73,19 vs 87,2 (Qwen avec 14 points d’avance)

• AA-LCR v1.1 — 68,62 vs 75,1 (Qwen en tête sur le contexte long)

• BabyVision — 29,60 vs 35,7 (Qwen en tête)

• MathVision — 78,16 vs 83,3 (Qwen en tête)

• OCRBench v2, anglais — 68,12 vs 68,3 (quasiment à égalité)

• OCRBench v2, chinois — 59.15 vs 67.3 (Qwen en avance de huit points)

• V* — 85.60 vs 91.1 (Qwen en tête)

• IFBench — 70,86 contre 67,6 (N​emotron en tête)

• Indice AA-Omniscience — 4,03 vs -36,1 (les deux sont faibles ; N​emotron est bien moins négatif)

Trois choses méritent d’être dites à propos de ce tableau plutôt que de laisser les victoires parler d’elles-mêmes.

Premièrement, chaque chiffre qu'il contient — ceux de Nemotron comme ceux de chaque baseline — est déclaré par le fournisseur et collecté via le propre harnais de NVIDIA. La fiche le dit directement : « Tous les résultats d'évaluation pour Nemotron 3.5 Super et les baselines ont été collectés via NeMo Gym », avec des notes de reproductibilité publiées dans le dépôt NeMo Gym. C'est une meilleure divulgation que ce que la plupart des laboratoires font, et ce n'est toujours pas un score indépendant. Lisez les colonnes comme les mesures d'un seul laboratoire sur plusieurs modèles, et non comme un classement neutre.

Deuxièmement, N​VIDIA lui-même répertorie les benchmarks qui n’ont pas été intégrés à son outillage ouvert — BabyVision, CharXiv-RQ, MathVision, MMLongBench-Doc, OCR-Reasoning, OCRBench-v2, V* et Video-MME-v2 — et indique que ceux-ci ont utilisé des implémentations officielles ou « un échafaudage interne que nous prévoyons de publier en open source à l’avenir ». Chaque ligne multimodale du tableau comporte cette réserve.

Troisièmement, le schéma des pertes est cohérent plutôt qu'aléatoire. Les lacunes concernent l'OCR en langue chinoise, le raisonnement sur de longs contextes, ainsi que les mathématiques visuelles et la lecture de graphiques. Les gains se concentrent dans les benchmarks d'appel d'outils et les tâches agentiques à court horizon — CritPt, tau2-bench retail and airline, APEX, Terminal-Bench 2.1 à 66,70 contre 48,70 pour Q​wen, SWE-bench Pro. Pour un modèle que N​VIDIA positionne comme l'exécuteur dans une pile d'agents multi-modèles, c'est un profil défendable. Si votre charge de travail est l'analyse de documents chinois ou un contexte analytique très long, le même tableau vous dit autre chose.

Les modèles post-entraînés surpassent les modèles de base, et N​VIDIA mène la danse

L’affirmation la plus concrète concernant la précision dans le billet de blog de N​VIDIA n’est pas un score de benchmark. Il s’agit d’une affirmation sur la personnalisation : le post-entraînement d’un N​emotron 3.5 Super VL de base peut permettre à une charge de travail spécialisée de dépasser Claude Opus 5. L’exemple de N​VIDIA est celui des demandes d’indemnisation d’assurance maladie, pour lesquelles elle cite un gain de 44 % grâce au post-entraînement.

Deux choses importent dans la manière dont N​VIDIA rapporte cela. Le chiffre est attribué à un gain revendiqué issu du post-entraînement, et non à une comparaison modèle contre modèle sur un benchmark public — ce qui est un type de preuve différent et plus faible. Et la propre publication de N​VIDIA prend soin de dire que ces gains s'accompagnent de mises en garde : « le modèle de base n'a pas surpassé à lui seul les modèles propriétaires de pointe » est la version honnête de la phrase, et le cadrage est que l'avantage des poids ouverts est qu'une entreprise peut post-entraîner sur ses propres données et exécuter le résultat sur sa propre infrastructure.

Le côté fournisseur de cette même histoire est mince. N​VIDIA cite Scale AI, Ramp et AI21 parmi les organisations qui ont post-entraîné le modèle ; Ramp est cité comme s'attendant à « jusqu'à 50 % de débit en plus et une latence 10 fois plus faible » pour l'extraction de reçus vers JSON, Scale AI à une réduction de 40x du coût d'inférence et une amélioration de 5x de la latence pour le traitement des crédits fournisseurs. Ce sont des attentes et des résultats déclarés par les clients, publiés par le fournisseur, sans aucune mesure indépendante à l'appui. Ils pourraient très bien se vérifier. Personne en dehors de ces entreprises n'a vérifié.

Ce que N​VIDIA publie qui aide, c'est la surface de recettes : NeMo AutoModel pour le SFT et le LoRA, NeMo RL et NeMo Gym pour l'apprentissage par renforcement et l'évaluation basée sur l'environnement, NeMo Data Designer pour la génération de données multimodales, ainsi que 45 jeux de données vision-langage et un ensemble de jeux de données d'utilisation d'outils agentiques, de raisonnement financier et de suivi d'instructions sur Hugging Face. Un tutoriel de reproductibilité pour les benchmarks publiés se trouve dans le dépôt NeMo Gym. La dernière partie est vraiment utile — cela signifie que vous pouvez tenter de réexécuter les propres évaluations de N​VIDIA plutôt que de faire confiance au tableau.

La licence n'est pas ce que le marketing laisse entendre

Voilà le détail pour lequel ça vaut la peine de lire le dépôt plutôt que l'article de blog.

La publication de NVIDIA qualifie le modèle de « modèle multimodal ouvert et personnalisable » et évoque « les poids ouverts du modèle ». Ces deux affirmations sont exactes en ce qui concerne les poids. Ni l'une ni l'autre ne constitue une déclaration sur la licence. L'en-tête de la fiche du modèle indique license: other, avec license_name: openmdw-1.1, et les conditions applicables sont celles de l'OpenMDW License Agreement version 1.1, à l'adresse openmdw.ai/license/1-1/. La fiche précise clairement que le modèle « est prêt pour un usage commercial ou non commercial » et le vocabulaire de déploiement employé par NVIDIA lui-même renvoie à son exécution dans « des environnements locaux, de centre de données ou cloud pris en charge ».

Donc : utilisable commercialement, selon N​VIDIA. Mais « open » signifie ici OpenMDW-1.1, pas Apache 2.0 ni MIT. Si votre organisation dispose d'une liste de licences open source préapprouvées, c'est cette liste qu'il faut consulter avant toute autre chose — et la différence pratique entre « poids ouverts » et une licence nommée est exactement le genre d'écart dont la découverte tardive coûte un cycle de publication. Ce n'est pas une critique du modèle, et OpenMDW n'est pas une licence restrictive. C'est un rappel que l'adjectif du billet de blog fait moins de travail que le frontmatter de la fiche modèle.

L'essayer sans y parier un chemin de production.

Les recettes de déploiement publiées sont explicitement mono-machine, et cela façonne la manière dont ceci est évalué. Les commandes vLLM de NVIDIA dans les deux fiches s'exécutent en TP4 sur 4× H100 ou en TP2 sur 2× GB200 avec --trust-remote-code — le modèle est livré avec du code de modélisation personnalisé — et la recette SGLang utilise lmsysorg/sglang:v0.5.20 sur deux GB200. Pour DGX Spark, il existe un checkpoint de drafter LiLiCorr dédié, et NVIDIA le recommande dans tous les scénarios Spark ; l'entreprise affirme une génération de tokens jusqu'à 2,3 fois plus rapide qu'un décodage sans spéculation. Sur 16 B200 avec Dynamo, NVIDIA cite jusqu'à 8 fois plus d'utilisateurs servis, avec une latence du premier token réduite de 85 % à 50 tokens par seconde et par utilisateur. Chacune de ces mesures est une mesure interne au fournisseur.

C’est un coût d’évaluation bien réel pour un modèle qui n’a que trois jours, qui n’a aucun tableau de scores indépendant et dont les lignes multimodales s’accompagnent d’une réserve liée à un échafaudage non ouvert. La façon économique de l’envisager n’est pas de commencer par déployer quatre H100.

La façon la moins coûteuse d'examiner une sortie aussi récente est de passer par une passerelle unique plutôt que par une seconde commande de matériel. Sur OrcaRouter, cela signifie une seule clé pour plus de 200 modèles au prix catalogue du fournisseur, avec 0 % de marge, sans contrat distinct ni modification de code, et un basculement automatique entre fournisseurs afin qu'un modèle que vous n'avez pas encore validé ne soit pas un point de défaillance unique dans un chemin de production. Ce modèle précis n'est pas encore au catalogue — N​VIDIA l'a livré il y a quelques jours — il provient donc aujourd'hui de l'API du fournisseur lui-même ou des plateformes tierces qui le proposent. Ce que cela vous apporte, c'est la comparaison que vous pouvez réellement mener dès maintenant : placez les candidats qu'il prétend surpasser derrière la même clé, faites passer vos propres tâches par eux et face aux modèles que vous utilisez déjà, et laissez la couche de routage faire du remplacement un simple changement de configuration plutôt qu'une migration. C'est seulement alors que la question de 4× H100 ou de 2× GB200 devient une décision d'achat plutôt qu'une supposition.

L'important n'est pas que le routage remplace un benchmark. C'est que la décision que vous pouvez prendre aujourd'hui consiste à déterminer quelles tâches ce modèle doit prendre en charge dans votre stack, et cette décision ne nécessite pas de commande de matériel.

Ce qui n'est pas encore établi

La liste honnête des inconnues est courte mais lourde de conséquences, et c'est à partir de cette liste qu'il faut travailler, plutôt que du marketing :

• Aucune évaluation indépendante n'existe. Tous les scores cités ci-dessus proviennent de l'exécution de NeMo Gym de NVIDIA. Le blog de NVIDIA cite des tests de référence d'Artificial Analysis et une évaluation indépendante d'EXO Labs qui place le modèle sur une frontière de Pareto précision/achèvement des tâches sur un DGX Spark, mais la fiche du modèle ne publie aucun score tiers qui lui soit propre, et il n'existe aucune page de modèle indépendante à son sujet sur les principaux agrégateurs au moment de la rédaction.

• L’écart de précision entre BF16 et NVFP4 n’est pas quantifié. L’argumentaire de NVIDIA en faveur du NVFP4 repose sur une distillation consciente de la quantification qui comble l’écart. Il s’agit d’une affirmation méthodologique, et non d’une comparaison de précision publiée entre les deux checkpoints que vous pouvez réellement télécharger.

• La campagne de benchmarks a été en partie exécutée avec les propres outils de N​VIDIA.Huit benchmarks multimodaux ont utilisé des implémentations officielles ou un échafaudage interne que N​VIDIA dit « prévoir de rendre open source à l'avenir » — ce qui signifie que ces résultats sont reproductibles en principe, un jour, et pas aujourd'hui.

• Les gains après entraînement sont rapportés par les fournisseurs et les clients. Le gain de 44 % sur les déclarations ainsi que les chiffres de Ramp et de Scale AI sont avancés par N​VIDIA à propos de ses propres clients. Personne ne les a mesurés de façon indépendante.

• Le comportement en contexte long sur la fenêtre complète de 1 M n’a pas été testé en dehors du fournisseur. L’architecture est conçue pour cela et NVIDIA publie des recettes de déploiement pour cela. Savoir si le rappel tient sur un million de tokens complet sur des documents réels est exactement le genre de chose qui apparaît dans des tests indépendants et n’apparaît pas dans un tableau de fournisseur.

Devriez-vous agir à ce sujet maintenant ?

Si vous développez des agents de documents, de graphiques, de vidéos ou multi-outils et que vous avez déjà budgété pour une inférence de classe 120B, cela vaut vraiment le coup d'œil cette semaine : le palier NVFP4 le fait tourner sur deux H100, la licence autorise un usage commercial, et les lignes d'appel d'outils du tableau NVIDIA en sont le point le plus fort. Sa configuration à 12B actifs signifie aussi qu'il est moins cher par token que ne le laisse penser son total de 120B — et, du côté d'OrcaRouter, une modification du prix fournisseur le concernant est effective le jour même, et non après un cycle de facturation, parce que le prix catalogue du fournisseur est répercuté sans marge ajoutée.

Si votre charge de travail repose sur l’OCR en chinois, sur un contexte analytique très long ou sur des mathématiques visuelles, le propre tableau de NVIDIA vous donne trois raisons précises d’attendre des chiffres indépendants plutôt que de raisonner à partir du marketing.

Quoi qu'il en soit, ce qu'il faut surveiller, ce n'est pas un nouvel article de fournisseur. C'est la première évaluation indépendante qui fait tourner le checkpoint NVFP4 face au BF16 sur le même harnais, et le premier score tiers qui n'a pas été collecté via NeMo Gym. Tant que ceux-ci n'existent pas, il s'agit d'un modèle ouvert bien documenté, à la licence confortable, réellement efficace, dont les affirmations les plus fortes reposent entièrement sur les mesures de son propre créateur — et dont le créateur a lui-même été assez clair pour publier les lignes où il perd.

Cet écart entre ce qu'un tableau de bord mesure et ce qu'un déploiement rencontre est la raison pour laquelle ce bilan compte : les défaillances documentées de l'IA et les incidents d'agents liés aux modèles de cette classe sont recensés dans the OrcaRouter AI Incident Archive, où chaque entrée comporte ses propres sources, son niveau de gravité, sa note de confiance et son indicateur de contestation.