NVIDIA Nemotron 3.5 Super VL: il modello aperto da 120B che è stato rilasciato prima del suo stesso post sul blog

I pesi di N​VIDIA N​emotron 3.5 Super VL erano su Hugging Face tre giorni prima che N​VIDIA ne scrivesse. Il repository a piena precisione, nvidia/N​VIDIA-N​emotron-3.5-Super-VL-120B-A12B-BF16, è stato creato il 2026-10-12T15:32:06Z. Il suo gemello quantizzato, nvidia/N​VIDIA-N​emotron-3.5-Super-VL-120B-A12B-NVFP4, è stato pubblicato 24 secondi dopo. Il post sul blog degli sviluppatori di N​VIDIA che spiega il modello è datato 15 ottobre 2026 — lo stesso giorno in cui le sue model card riportano "Hugging Face - 10/15/2026". Quindi gli artefatti pubblici e l'annuncio pubblico sono arrivati in giorni diversi, e lo scarto è abbastanza piccolo da far sì che nessuna delle due date sia sbagliata ed entrambe valgano la pena di essere conosciute.

Quello che segue è ciò che il repository e il post di NVIDIA dicono effettivamente su questo modello visione-linguaggio da 120 miliardi di parametri e 12 miliardi attivi: l'architettura, i calcoli di deployment, dove la sua stessa tabella pubblicata mostra che è in svantaggio, e l'inghippo di licenza che il post del blog non menziona mai.

Cos'è davvero Nemotron 3.5 Super VL

NVIDIA lo descrive in un suo post come "un modello multimodale aperto e personalizzabile" progettato per flussi di lavoro di agenti specializzati — ragionamento, esecuzione di istruzioni e utilizzo di strumenti, combinati con la comprensione di testo, immagini, documenti e video in un unico insieme di pesi. Il punto di questa combinazione, come lo inquadra NVIDIA, è che i team "possono gestire attività testuali e visive senza distribuire modelli separati di testo e visione-linguaggio né passare il contesto del compito tra di essi."

L'architettura, secondo la scheda del modello:

• Shape — 120B parametri totali, 12B attivi per token. Un modello mixture-of-experts con 512 esperti instradati per layer MoE.

• Backbone — strati Mamba-2, attenzione e MoE intercalati, un design ibrido Nemotron ripreso dalla linea Nemotron 3.

• Vision — un encoder visivo C-RADIO più un connettore visione-linguaggio. La stringa di architettura transformers è NemotronH_Omni_Reasoning_V3, tipo di modello nemotron_h_omni.

• Contesto — fino a 1M token, con il prompt, le immagini, la cronologia della conversazione, i risultati degli strumenti e la risposta generata che condividono tutti quella finestra.

• Decodifica speculativa — un head nativo di Multi-Token Prediction, quindi non è necessario scaricare un drafter separato per le ricette vLLM e SGLang pubblicate da N​VIDIA.

• Modalità di ragionamento — attivabile/disattivabile tramite il template della chat con enable_thinking, con un'impostazione medium_effort intermedia. I token di ragionamento e la risposta condividono lo stesso max_tokens budget, il che la scheda segnala esplicitamente perché è la causa abituale di output troncato dell'agente.

• Input — testo, immagini RGB (JPEG, PNG) e video MP4 fino a due minuti. Il campionamento video consigliato nella ricetta vLLM è di 2 FPS e 256 frame con un tasso di pruning di 0,5; per il 1080p la scheda indica di scendere a 1 FPS e 128 frame.

• Lingue — inglese, spagnolo, francese, tedesco, italiano e giapponese nel frontmatter della card. N​VIDIA afferma inoltre che il corpus di addestramento copre l'inglese più altre 19 lingue parlate e 43 linguaggi di programmazione.

Due livelli di precisione, e la memoria che fanno risparmiare

NVIDIA ha rilasciato il modello due volte, e il balzo di memoria tra i due è il singolo numero più rilevante per la decisione nel rilascio.

• BF16 — il riferimento a precisione completa. Il repository contiene 64 shard safetensors per un totale di circa 231,8 GiB. La ricetta di serving di NVIDIA stessa è --tensor-parallel-size 4 su 4× H100, oppure TP2 su 2× GB200.

• NVFP4 — pesi e attivazioni a 4 bit con distillazione consapevole della quantizzazione, che NVIDIA afferma «colma il divario di accuratezza introdotto dalla quantizzazione». Lo stesso checkpoint viene eseguito su hardware non-Blackwell con pesi a 4 bit e attivazioni a 16 bit, e QAD consente anche di memorizzare la cache KV in NVFP4 anziché in FP8. Poiché la quantizzazione avviene durante l'addestramento anziché dopo, NVIDIA dichiara che non aggiunge alcun overhead di inferenza. La scheda NVFP4 elenca l'impiego su 1× DGX Spark, 1× H200, 2× H100 o 1× GB200.

Quest'ultima riga è quella pratica. Un modello da 120B che sta su due H100 in FP4 invece che su quattro in BF16 è un discorso di acquisto diverso, ed è il motivo per cui il repo quantizzato è quello che N​VIDIA indica per un serving efficiente. Un terzo fratello, N​VIDIA-N​emotron-3.5-Super-VL-120B-A12B-NVFP4-LiLiCorr, è apparso su Hugging Face un giorno prima della coppia principale, senza alcun annuncio allegato; il blog di N​VIDIA spiega poi LiLiCorr come una tecnica aperta di speculative decoding e lo definisce "il drafter consigliato per l'inferenza a bassa latenza con N​emotron 3.5 Super VL" su DGX Spark. Il suo repo precede quella spiegazione di quattro giorni, il che è una buona illustrazione di come è emersa questa release.

Sotto quel salto c'è una domanda legittima — cosa sacrifica il livello NVFP4 rispetto al riferimento BF16 — ma la risposta di NVIDIA stessa è un'affermazione sulla metodologia di addestramento, non una tabella comparativa di accuratezza pubblicata per i due checkpoint. Se è la scelta di precisione a determinare la tua decisione, quel confronto non è nel repo.

Dove la sua stessa tabella di benchmark mostra che perde

La model card contiene una grande tabella di benchmark condotti dal fornitore — circa 40 righe — che copre ragionamento, coding, attività agentiche, contesto lungo, lavoro multilingue e multimodale. N​VIDIA è insolitamente trasparente in questo: nomina i confronti, e diversi di essi non sono lusinghieri per il modello. I suoi stessi numeri rispetto al concorrente open più vicino della stessa forma, Qwen3.5-122B-A10B:

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

• HLE, solo testo — 31.79 vs 24.2 (N​emotron in vantaggio)

• MMLU-ProX — 76.91 vs 83.2 (Q​wen in vantaggio di oltre sei punti)

• CritPt — 10,86 vs 1,1 (N​emotron nettamente in vantaggio)

• LiveCodeBench v6 — 88.22 vs 76.7 (N​emotron in vantaggio su questo harness)

• SWE-bench Verified — 71,10 vs 71,9 (un pareggio, entro il margine di errore)

• SWE-bench Pro — 51.78 vs 44.9 (Nemotron in vantaggio)

• tau2-bench retail — 69.24 vs 55.4 (N​emotron in vantaggio)

• tau2-bench telecom — 73,19 vs 87,2 (Qwen in vantaggio di 14 punti)

• AA-LCR v1.1 — 68,62 vs 75,1 (Qwen in vantaggio sul contesto lungo)

• BabyVision — 29.60 vs 35.7 (Qwen in vantaggio)

• MathVision — 78,16 vs 83,3 (Qwen in vantaggio)

• OCRBench v2, Inglese — 68,12 vs 68,3 (praticamente allo stesso livello)

• OCRBench v2, cinese — 59.15 vs 67.3 (Q​wen in vantaggio di otto punti)

• V* — 85.60 vs 91.1 (Qwen in vantaggio)

• IFBench — 70.86 vs 67.6 (N​emotron in vantaggio)

• Indice AA-Omniscience — 4,03 vs -36,1 (entrambi deboli; Nemotron molto meno negativo)

Ci sono tre cose che vale la pena dire su questa tabella, invece di lasciare che siano le vittorie a parlare per essa.

Innanzitutto, ogni numero che vi compare — quelli di Nemotron e di ogni baseline — è dichiarato dal fornitore e raccolto tramite l'harness proprietario di NVIDIA. La scheda lo dice esplicitamente: "Tutti i risultati di valutazione per Nemotron 3.5 Super e le baseline sono stati raccolti tramite NeMo Gym", con note di riproducibilità pubblicate nel repository di NeMo Gym. Si tratta di una divulgazione migliore di quella che la maggior parte dei laboratori riesce a fare, e tuttavia non è ancora un punteggio indipendente. Interpreta le colonne come misurazioni di più modelli effettuate da un solo laboratorio, non come una classifica neutrale.

In secondo luogo, N​VIDIA stessa elenca i benchmark che non sono stati integrati nei suoi strumenti aperti — BabyVision, CharXiv-RQ, MathVision, MMLongBench-Doc, OCR-Reasoning, OCRBench-v2, V* e Video-MME-v2 — e afferma che quelli utilizzavano implementazioni ufficiali o "un'impalcatura interna che prevediamo di rendere open source in futuro". Ogni riga multimodale della tabella riporta questa avvertenza.

Terzo, lo schema delle perdite è coerente, non casuale. Le lacune riguardano l'OCR in lingua cinese, il ragionamento su contesti lunghi e la matematica visiva e la lettura di grafici. Le vittorie si concentrano nei benchmark di tool-calling e nei compiti agentici a breve orizzonte — CritPt, tau2-bench retail e airline, APEX, Terminal-Bench 2.1 a 66,70 contro 48,70 di Qwen, SWE-bench Pro. Per un modello che NVIDIA posiziona come esecutore in uno stack di agenti multi-modello, questo è un profilo difendibile. Se il tuo carico di lavoro è il parsing di documenti in cinese o un contesto analitico molto lungo, la stessa tabella ti sta dicendo qualcos'altro.

I modelli post-trained battono quelli base, e N​VIDIA è leader in questo.

L'affermazione di accuratezza più concreta nel post del blog di NVIDIA non è un punteggio di benchmark. È un'affermazione sulla personalizzazione: che il post-addestramento di un Nemotron 3.5 Super VL di base può portare un carico di lavoro specializzato oltre Claude Opus 5. L'esempio di NVIDIA riguarda le richieste di risarcimento per assicurazione medica, dove cita un miglioramento del 44% grazie al post-addestramento.

Due cose contano nel modo in cui NVIDIA riporta questo dato. Il numero è attribuito a un presunto guadagno ottenuto dal post-training, non a un confronto tra modelli su un benchmark pubblico — il che è un tipo di prova diverso e più debole. E il post di NVIDIA stesso si premura di precisare che questi guadagni comportano delle avvertenze: "il modello di base non ha superato da solo i modelli proprietari di frontiera" è la versione onesta della frase, e l'inquadramento è che il vantaggio dei pesi aperti consiste nel fatto che un'azienda può fare post-training sui propri dati ed eseguire il risultato sulla propria infrastruttura.

Il lato fornitore della stessa storia è esile. N​VIDIA cita Scale AI, Ramp e AI21 come organizzazioni che hanno eseguito il post-addestramento del modello; di Ramp si cita l’aspettativa di «fino al 50% di throughput in più e una latenza 10 volte inferiore» per l’estrazione da ricevuta a JSON, di Scale AI una riduzione dei costi di inferenza di 40 volte e un miglioramento della latenza di 5 volte per l’elaborazione dei crediti fornitori. Si tratta di aspettative e risultati dichiarati dai clienti, pubblicati dal fornitore, senza alcuna misurazione indipendente a supporto. Potrebbero benissimo essere validi. Nessuno al di fuori di quelle aziende ha verificato.

Ciò che NVIDIA pubblica effettivamente e che aiuta è la superficie delle ricette: NeMo AutoModel per SFT e LoRA, NeMo RL e NeMo Gym per l'apprendimento per rinforzo e la valutazione basata su ambienti, NeMo Data Designer per la generazione di dati multimodali, oltre a 45 dataset visione-linguaggio e a una serie di dataset per l'uso agentico di strumenti, il ragionamento finanziario e il rispetto delle istruzioni su Hugging Face. Un tutorial sulla riproducibilità per i benchmark pubblicati si trova nel repository di NeMo Gym. L'ultima parte è davvero utile — significa che puoi provare a rieseguire le valutazioni di NVIDIA stessa invece di fidarti della tabella.

La licenza non è ciò che il marketing lascia intendere.

Questo è il dettaglio per cui vale la pena leggere il repository anziché il post del blog.

Il post di NVIDIA definisce il modello "un modello multimodale aperto e personalizzabile" e si riferisce ai "pesi aperti del modello". Entrambe le affermazioni sono accurate per quanto riguarda i pesi. Nessuna delle due è un'affermazione sulla licenza. Il frontmatter della model card riporta license: other, con license_name: openmdw-1.1, e i termini che lo disciplinano sono l'OpenMDW License Agreement versione 1.1 all'indirizzo openmdw.ai/license/1-1/. La scheda afferma chiaramente che il modello "è pronto per un uso commerciale o non commerciale" e il linguaggio di deployment di NVIDIA stesso fa riferimento all'esecuzione in "ambienti locali, data center o cloud supportati".

Quindi: utilizzabile commercialmente, secondo N​VIDIA. Ma qui «open» significa OpenMDW-1.1, non Apache 2.0 e non MIT. Se la tua organizzazione ha un elenco di licenze open source pre-approvate, quell'elenco è la cosa da controllare prima di ogni altra — e la differenza pratica tra «open weights» e una licenza con un nome è esattamente il tipo di divario che costa un ciclo di rilascio se lo si scopre in ritardo. Questa non è una critica al modello, e OpenMDW non è una licenza restrittiva. È un promemoria del fatto che l'aggettivo nel post del blog sta facendo meno lavoro del frontmatter della scheda.

Provarlo senza scommettere un percorso di produzione su di esso

Le ricette di deployment pubblicate sono esplicitamente per singola macchina, e ciò condiziona il modo in cui viene valutato. I comandi vLLM di NVIDIA in entrambe le schede vengono eseguiti in TP4 su 4× H100 o TP2 su 2× GB200 con --trust-remote-code — il modello include codice di modellazione personalizzato — e la ricetta SGLang utilizza lmsysorg/sglang:v0.5.20 su due GB200. Per DGX Spark esiste un checkpoint dedicato del drafter LiLiCorr, e NVIDIA lo raccomanda in tutti gli scenari Spark; l'azienda sostiene una generazione di token fino a 2,3 volte più veloce rispetto alla decodifica senza speculazione. Su 16 B200 con Dynamo, NVIDIA cita la capacità di servire fino a 8 volte più utenti con la latenza del primo token ridotta dell'85% a 50 token al secondo per utente. Ognuna di queste è una misurazione interna al fornitore.

Questo è un vero costo di valutazione per un modello che ha tre giorni di vita, non ha una classifica indipendente e le cui righe multimodali comportano l'avvertenza di uno scaffolding non aperto. Il modo economico per guardarlo non è mettere in piedi prima quattro H100.

Il modo economico per esaminare un rilascio così recente è attraverso un unico gateway anziché un secondo ordine hardware. Su OrcaRouter questo significa una sola chiave per oltre 200 modelli al prezzo di listino del provider con 0% di markup, nessun contratto separato e nessuna modifica al codice, e failover automatico tra provider così un modello che non hai ancora validato non rappresenta un singolo punto di guasto in un percorso di produzione. Questo particolare modello non è ancora nel catalogo — NVIDIA l'ha rilasciato pochi giorni fa — quindi oggi arriva dall'API dello stesso fornitore o dalle piattaforme di terze parti che lo erogano. Quello che ne ricavi è il confronto che puoi davvero eseguire ora: metti i candidati che dichiara di superare dietro la stessa chiave, esegui i tuoi compiti con loro e rispetto ai modelli che già usi, e lascia che il livello di routing trasformi il cambio in una modifica di configurazione invece che in una migrazione. Solo allora la questione di 4× H100 o 2× GB200 diventa una decisione di acquisto anziché una supposizione.

Il punto non è che il routing sostituisca un benchmark. È che la decisione che puoi prendere oggi è quali compiti questo modello dovrebbe gestire nel tuo stack, e quella decisione non richiede un ordine hardware.

Ciò che non è ancora stabilito

L'elenco onesto delle incognite è breve ma denso di conseguenze, ed è l'elenco da cui partire anziché dal marketing:

• Non esiste alcuna valutazione indipendente. Ogni punteggio citato sopra proviene dall'esecuzione di NeMo Gym di N​VIDIA. Il blog di N​VIDIA cita i test di benchmark di Artificial Analysis e una valutazione indipendente di EXO Labs che colloca il modello su una frontiera di Pareto tra accuratezza e completamento delle attività su DGX Spark, ma la model card non pubblica alcun punteggio di terze parti proprio, e al momento della stesura non esiste una pagina indipendente dedicata al modello sui principali aggregatori.

• Il delta di accuratezza tra BF16 e NVFP4 non è quantificato. Il caso a favore di NVFP4 di N​VIDIA si fonda sulla distillazione consapevole della quantizzazione che colma il divario. Si tratta di un'affermazione metodologica, non di un confronto di accuratezza pubblicato tra i due checkpoint che si possono effettivamente scaricare.

• La campagna di benchmark è stata in parte eseguita con gli strumenti propri di N​VIDIA.Otto benchmark multimodali hanno utilizzato implementazioni ufficiali o scaffolding interno che N​VIDIA afferma che «prevede di rendere open source in futuro» — il che significa che quei risultati sono riproducibili in linea di principio, un giorno, e non oggi.

• I guadagni del post-training sono riportati da fornitori e clienti. Il guadagno del 44% sulle richieste e i dati di Ramp e Scale AI sono dichiarati da NVIDIA in riferimento ai propri clienti. Nessuno li ha misurati in modo indipendente.

• Il comportamento su contesto lungo all'intera finestra da 1M non è testato al di fuori del fornitore. L'architettura è progettata per questo e N​VIDIA pubblica ricette di distribuzione per questo. Se il recall regga su un milione intero di token su documenti reali è esattamente il genere di cosa che emerge nei test indipendenti e non emerge in una tabella del fornitore.

Dovresti agire su questo adesso?

Se sviluppi agenti per documenti, grafici, video o multi-strumento e hai già stanziato un budget per un'inferenza di classe 120B, vale la pena darci un'occhiata seria questa settimana: il livello NVFP4 lo colloca su due H100, la licenza consente l'uso commerciale e le righe dedicate al tool calling nella tabella di NVIDIA sono la parte più forte. La configurazione con 12B attivi significa anche che costa meno per token di quanto suggerisca il totale di 120B — e, sul fronte OrcaRouter, una variazione di prezzo del fornitore su di esso è attiva lo stesso giorno anziché dopo un ciclo di fatturazione, perché il prezzo di listino del fornitore viene trasferito senza alcun ricarico aggiunto.

Se il tuo carico di lavoro si basa su OCR per la lingua cinese, su un contesto analitico molto lungo o sulla matematica visiva, la tabella di N​VIDIA stessa ti fornisce tre motivi specifici per attendere numeri indipendenti invece di ragionare basandoti sul marketing.

Comunque sia, la cosa da tenere d'occhio non è un altro post di un fornitore. È la prima valutazione indipendente che esegue il checkpoint NVFP4 contro quello BF16 sullo stesso harness, e il primo punteggio di terze parti che non è stato raccolto tramite NeMo Gym. Finché non esisteranno, questo è un modello aperto ben documentato, con una licenza agevole, realmente efficiente, le cui affermazioni più forti si basano interamente sulle misurazioni del suo stesso creatore — e il cui stesso creatore è stato abbastanza trasparente da pubblicare le righe in cui perde.

Quel divario tra ciò che un tabellone dei punteggi misura e ciò che un deployment incontra nella pratica è il motivo per cui il registro conta: i fallimenti documentati dell'IA e gli incidenti degli agenti relativi ai modelli di questa classe sono raccolti in the OrcaRouter AI Incident Archive, dove ogni voce riporta le proprie fonti, la gravità, il grado di confidenza e il flag di contestazione.