Nemotron Sports Tennis 対 North Micro Vision Instruct：2.4Bの文書スペシャリストに対する31Bのテニスリーダー

まず結論から言うと、NVIDIA NemotronLabs AI for Media - Sports Tennis と North Micro Vision Instruct は代替品ではなく、両者のどちらかを選ぼうとしている人も、実際には両者を選び比べているわけではありません。一方は、NVIDIAがテニスのポイントに関する質問に答えるために微調整した31Bのマルチモーダルモデルで、約80 GBのGPUメモリを必要とし、英語しか読めません。もう一方はCohereの2.4B視覚言語モデルで、ワークステーション用カード1枚に収まり、11言語を扱い、何よりも文書——ページ、チャート、表、OCR——を読むために作られました。

両者は同じ大きなカテゴリーに属しているが、それ以外ではほとんど共通点がない。以下に示すのは、この比較の正直な姿だ。両者が本当に異なる点、各ベンダーが公表していることと公表していないこと、そして選択が本当に意味を持つ唯一の状況である。

各モデルが何をするために作られたか

North Micro Vision Instructは、2Bの言語モデル——Command A+アーキテクチャに準拠したCohereのNorth Micro LLM——と、SigLIP 2 SO400Mから独自に学習させた400Mパラメータのビジョンエンコーダを組み合わせ、合計2.4Bとする。そのビジョン経路はネイティブ解像度で、固定グリッドにリサイズするのではなくアスペクト比を保持し、DeepStackプロジェクタは単一の表現を先頭に付加するのではなく、複数のエンコーダ層からのパッチ埋め込みを対応する初期の言語層に注入する。Cohereが掲げる枠組みは、プロトタイピングとタスク特化のファインチューニングのためのコンパクトな基盤であり、文書理解を旗艦能力とする。モデルカードはその天井について異例なほど率直であり、North Micro Vision Instructは明示的に推論モデルではなく、ツール呼び出しも備えておらず、システムプロンプトを使って学習されたものでもない

スポーツ テニスは、あらゆる次元で正反対の形をしている。NVIDIA は自社の Nemotron 3 Nano Omni 30B-A3B-Reasoning チェックポイントから出発した。これは Mamba2-Transformer ハイブリッドの Mixture of Experts で、合計 31B、トークンあたり約 3B がアクティブになる。これを独自の、手作業でラベル付けされたテニスコーパスでファインチューニングした。視覚エンコーダー（C-RADIOv4-H）と音声エンコーダー（Parakeet）はどちらも凍結され、言語モデルのパラメータだけが更新された。その結果は、設計上、用途を絞ったモデルである。テニスの1ポイント全体を収めたクリップについて、構造化された多肢選択式および自由回答形式の質問に答える。対象は、ショットのメカニクス、コート上の位置取り、選手の動き、試合に関する事実、ルール知識、音声キューに及ぶ。NVIDIA は、1ポイント全体（サーブからラリーの終了まで）を入力として渡すと最もよく機能すると説明している。

実際にそれらを分ける次元

• パラメータ — North Micro Vision Instruct：2.4B（言語2B、視覚400M）。Sports Tennis：合計31B、トークンあたり約3Bがアクティブ。

• 入力 — North Micro Vision Instruct：テキストと画像のインターリーブ、ネイティブ解像度、複数画像。Sports Tennis：最大2分の動画、最大1時間の音声、画像、テキスト。

• 出力 — どちらもテキストを返します。North Micro Vision Instruct はさらに、正規化された0～1000スケールのグラウンディングバウンディングボックスを返します。

• 言語 — North Micro Vision Instruct：11言語以上、英語、ドイツ語、フランス語、スペイン語、イタリア語、ポルトガル語、ヒンディー語、日本語、韓国語、中国語、アラビア語を含む。スポーツテニス：英語のみ。

• コンテキスト — North Micro Vision Instruct：128Kトークンの言語バックボーンだが、Cohereは検証済みのマルチモーダル範囲を最大8Kトークンと指摘しており、より長いマルチモーダルコンテキストは外挿に依存し、ベンチマーク未実施である。Sports Tennis：最大256kトークン。

• フットプリント — North Micro Vision Instruct: BF16で約4.97 GB、4ビットで約2.17 GB。Sports Tennis: BF16で約62 GB、80 GB GPUが1基必要。

・ライセンス — North Micro Vision Instruct: Apache 2.0。Sports Tennis: OpenMDW-1.1、モデルカードには商用利用および非商用利用が可能と記載されています。

ベンチマーク：一方のモデルにはそれがあり、もう一方にはプロトコルがある。

この点で、2枚のカードの姿勢はこれ以上ないほど異なっている。

CohereはNorth Micro Vision Instructの数値を公表している。DocVQA 0.921、ChartQA 0.808、OCRBench 0.792、そしてMMMU 0.329。すべてベンダー報告によるもので、独立に再現されたものはなく、Cohere自身もOCR結果は分割によって大きく変動すると指摘している。最後の数値には少し立ち止まりたい。MMMUスコア0.329は低く、モデルカードがモデル設計について述べているほかのすべてと一致している。これは汎用的な推論モデルではなく読解の専門モデルであり、開発した企業もそう言っている。その種の開示は、見栄えのよい数値よりも有用だ。

NVIDIAは何も公開していない。Sports Tennisカードはその評価を注意深く説明している——完全にホールドアウトされた12試合、2,689本のポイント単位クリップ、訓練との重複がない試合からの80,872問からなるテスト分割で、自動多肢選択正解率と、自由記述回答に対するLLM-as-judgeのpass@9によって採点され、既見試合の分割は報告対象のテストから明示的に除外されている——しかるに、そのいずれからも結果を報告していない。訓練側も同じくらい詳細だ。239試合にまたがる43,084本のポイント単位クリップから抽出された1,312,129件のQ&A例、1,226,081件の多肢選択、86,048件の自由記述があり、38の注釈カテゴリに沿ってラベル付けされている。

たとえNVIDIAがスコアを公表していたとしても、それらは比較できるものではない。文書理解モデルとテニスのポイントモデルの両方が登場するベンチマークは存在しない。この二つの評価の話の重なりはゼロだ。

デプロイ：実用的な違いが宿るところ

2.4Bモデルは、操作するのが断然簡単だ。約5 GBのBF16ウェイトなら最新のワークステーション向けGPU 1基で扱え、約2.17 GBの4ビット版ならさらに小さくなる。AppleのCore AIランタイム向けの独立した移植版が存在し、iPhone 17 Proでのint8で約18.2トークン/秒が報告されている一方、int4量子化は完全に失敗する。摩擦はソフトウェアにある。North Micro Vision InstructはTransformers 5.16.0を必要とし——PyPIに到達するまではソースからインストール可能——、公開されているvLLMサポートはカード上ではまだ近日対応と記載されていた。ファインチューニングはAxolotlを通じてサポートされている。ファーストパーティのホスト型APIはなく、実用的な道はセルフホスティングだ。

Sports Tennis は運用がより難しいものであり、それを避ける道はない。BF16 で 80 GB GPU 1 基、量子化チェックポイントは未公開、英語のみ、Linux のみ、PyTorch/Transformers または NeMo または Megatron 上。NVIDIA は A100、H100、H200、B200、GB200 NVL72、RTX PRO 6000 SE、L40S、DGX Spark、Jetson Thor、RTX 5090 でテストしている — このハードウェア一覧は、通常のチームが調達できるものというより、NVIDIA が何を検証したかったかを雄弁に物語っている。このカードのデフォルト推論ポリシーも必要最小限だ。毎秒 2 フレームで最大 128 フレーム、新規トークン 256、greedy decoding。

どちらのモデルもOrcaRouterでは提供されていません。North Micro Vision Instructにはファーストパーティのエンドポイントがなく、当社のカタログにも含まれていません。Sports Tennisはどこにもエンドポイントが存在しません。NVIDIAが重みを公開しただけで、ホスト型サービスは提供されていないためです。どちらもセルフホスティングの判断となります。

ルーティング層が役立つのは、それらの周辺にあるパイプラインです。これらいずれをローカルで動かすにしても、それを取り巻く文字起こし、要約、検索、アプリケーションのモデルはホスト型であり、それらを自動フェイルオーバー付きの1つのAPIキーの背後に置けば、それぞれに個別の認証情報セットと契約を用意する必要がなくなります。当社が取り扱うモデルについては、プロバイダの定価を0%のマークアップでそのまま提供しているため、自社でホストしないスタックの部分はベンダー価格のままとなります。

選択が本物であるとき

これら2つのどちらを選ぶかが本当に判断の分かれるシナリオが1つあり、それは明白ではないので、具体的に述べておく価値がある。

これは、すでに文書を処理していて、ポイント単位の動画理解を追加したいメディアまたはスポーツ組織のケースです。アーカイブパイプラインを持つ放送事業者、試合レポートと統計PDFを抱えるリーグ、テキストと映像の両方を保有する権利者——彼らにとって、North Micro Vision Instruct は OCR とグラフ抽出のためにすでにスタックに入っている可能性が高く、Sports Tennis が新たに追加する機能になります。問題は「どちらか」ではなく、「2つ目を導入するとインフラ面でいくらかかるのか」であり、その答えはデータセンター用GPUと英語のみという制約です。

そのケース以外では、両モデルは単に競合しません。ワークステーションカード上で11言語の文書を読み取る必要があるなら、North Micro Vision Instruct が答えであり、Sports Tennis はあなたにとって無関係です。音声コンテキスト付きでテニスのポイントについて構造化された質問をする必要があるなら、Sports Tennis は2つのうちそれを実行できる唯一のモデルであり、公開されたベンチマークがないという事実は、他のモデルを選ぶ理由ではなく、あなたが受け入れることになるリスクです。

どちらを選ぶか

あなたの仕事が文書、チャート、OCR、グラウンディング、多言語画像理解を扱うもので、弱い数値も強い数値と並べて公表するベンダーを評価するなら、North Micro Vision Instruct を選びましょう。これは小規模で、Apache 2.0 で、よく文書化されており、推論モデルではないことについて正直です。その MMMU が 0.329 であることは、後から気づく欠陥ではありません。Cohere が最初から教えてくれます。

NVIDIA NemotronLabs AI for Media - Sports Tennis を選ぶのは、音声付きのポイント単位のテニス推論がどうしても必要で、余っている 80 GB GPU があり、最初に評価する人になることに抵抗がない場合だけにしてください。このモデルのスコアを公開した人はまだ誰もいないので、ダウンロードすること自体が実験です。それは避ける理由にはなりません — 綿密にラベル付けされた 43,084 クリップのトレーニングセットを持つ狭い領域の専門モデルは、自分のタスクでは汎用モデルを打ち負かせるまさにそういう種類のモデルです — ただし、最初の導入をコミットメントではなく試験として扱う理由にはなります。

絶対にしてはいけないのは、両方のカードに「視覚言語モデル」と書いてあるからといって、これらを交換可能なものとして扱うことだ。文書リーダーとテニスアナリストは決して同じ製品ではなかったし、この2つでは、何をするかの違いが、どれほどうまくやるかの違いよりもはるかに大きい。