NVIDIA Nemotron 3.5 Super VL: O modelo aberto de 120B que foi lançado antes do próprio post no blog

Os pesos do N​VIDIA N​emotron 3.5 Super VL estavam no Hugging Face três dias antes de a N​VIDIA escrever sobre eles. O repositório de precisão completa, nvidia/N​VIDIA-N​emotron-3.5-Super-VL-120B-A12B-BF16, foi criado em 2026-10-12T15:32:06Z. O seu irmão quantizado, nvidia/N​VIDIA-N​emotron-3.5-Super-VL-120B-A12B-NVFP4, foi publicado 24 segundos depois. A própria publicação no blog de desenvolvedores da N​VIDIA que explica o modelo está datada de 15 de outubro de 2026 — o mesmo dia em que os seus cartões de modelo dizem "Hugging Face - 10/15/2026". Portanto, os artefactos públicos e o anúncio público chegaram em dias diferentes, e a diferença é pequena o suficiente para que nenhuma das datas esteja errada e ambas valham a pena conhecer.

O que segue é o que o repositório e o post da N​VIDIA realmente dizem sobre este modelo de visão e linguagem de 120B parâmetros, com 12B ativos: a arquitetura, os cálculos de implantação, onde a própria tabela publicada mostra que ele perde, e a pegadinha de licenciamento que o post do blog nunca menciona.

O que o N​emotron 3.5 Super VL realmente é

A N​VIDIA o descreve, em sua própria publicação, como "um modelo multimodal aberto e personalizável", criado para fluxos de trabalho especializados de agentes — raciocínio, seguimento de instruções e uso de ferramentas, combinados com a compreensão de texto, imagem, documento e vídeo em um único conjunto de pesos. O ponto dessa combinação, como a N​VIDIA a apresenta, é que as equipes "podem lidar com tarefas de texto e visuais sem implantar modelos separados de texto e de visão-linguagem ou passar o contexto da tarefa entre eles."

A arquitetura, conforme o model card:

• Formato — 120B parâmetros totais, 12B ativos por token. Um modelo de mistura de especialistas com 512 especialistas roteados por camada MoE.

• Estrutura principal — camadas intercaladas de Mamba-2, atenção e MoE, um design híbrido Nemotron herdado da linha Nemotron 3.

• Visão — um codificador de visão C-RADIO mais um conector de visão-linguagem. A string de arquitetura do transformers é NemotronH_Omni_Reasoning_V3, tipo de modelo nemotron_h_omni.

• Contexto — até 1M de tokens, com o prompt, as imagens, o histórico da conversa, os resultados das ferramentas e a resposta gerada, todos compartilhando essa janela.

• Decodificação especulativa — uma cabeça nativa de Previsão de Múltiplos Tokens, então nenhum download separado de drafter é necessário para as receitas vLLM e SGLang que a N​VIDIA publica.

• Modo de raciocínio — alternável por meio do template de chat via enable_thinking, com uma configuração medium_effort intermediária. Os tokens de raciocínio e a resposta compartilham o mesmo orçamento de max_tokens, que o card sinaliza explicitamente porque é a causa usual de saída truncada do agente.

• Entradas — texto, imagens RGB (JPEG, PNG) e vídeo MP4 de até dois minutos. A amostragem de vídeo recomendada na receita do vLLM é de 2 FPS e 256 quadros com uma taxa de poda de 0,5; para 1080p, o card indica reduzir para 1 FPS e 128 quadros.

• Idiomas — inglês, espanhol, francês, alemão, italiano e japonês no frontmatter do cartão. A N​VIDIA também afirma que o corpus de treinamento abrange o inglês e mais 19 idiomas falados, além de 43 linguagens de programação.

Dois níveis de precisão e a memória que eles economizam

A NVIDIA lançou o modelo duas vezes, e o salto de memória entre os dois é o número mais relevante para a decisão em todo o lançamento.

• BF16 — a referência de precisão completa. O repositório contém 64 shards de safetensors totalizando aproximadamente 231,8 GiB. A receita de serving da própria N​VIDIA é --tensor-parallel-size 4 em 4× H100, ou TP2 em 2× GB200.

• NVFP4 — pesos e ativações de 4 bits com destilação com reconhecimento de quantização, que a NVIDIA afirma "fechar a lacuna de precisão que a quantização introduz". O mesmo checkpoint é executado em hardware não-Blackwell com pesos de 4 bits e ativações de 16 bits, e o QAD também permite que o cache KV seja armazenado em NVFP4 em vez de FP8. Como a quantização acontece durante o treinamento, e não depois, a NVIDIA afirma que não adiciona sobrecarga de inferência. O cartão NVFP4 lista a implantação em 1× DGX Spark, 1× H200, 2× H100 ou 1× GB200.

Essa última linha é a prática. Um modelo de 120B que cabe em duas H100s em FP4 em vez de quatro em BF16 é uma decisão de compra diferente, e é por isso que o repositório quantizado é aquele para o qual a N​VIDIA aponta para serving eficiente. Um terceiro irmão, N​VIDIA-N​emotron-3.5-Super-VL-120B-A12B-NVFP4-LiLiCorr, apareceu no Hugging Face um dia antes do par principal, sem anúncio algum; o blog da N​VIDIA mais tarde explica LiLiCorr como uma técnica aberta de decodificação especulativa e o chama de "o drafter recomendado para inferência de baixa latência com o N​emotron 3.5 Super VL" no DGX Spark. Seu repositório antecede essa explicação em quatro dias, o que é uma ilustração justa de como este lançamento surgiu.

Há uma pergunta legítima por trás desse salto — o que o nível NVFP4 deixa de lado em comparação com a referência BF16 —, mas a resposta da própria NVIDIA é uma alegação de metodologia de treinamento, não uma tabela publicada de acurácia lado a lado para os dois checkpoints. Se sua decisão depende da escolha de precisão, essa comparação não está no repositório.

Onde sua própria tabela de benchmark mostra que está perdendo

A ficha do modelo traz uma grande tabela de benchmarks executados pelo fornecedor — cerca de 40 linhas — abrangendo raciocínio, codificação, tarefas agênticas, contexto longo, trabalho multilíngue e multimodal. A NVIDIA é excepcionalmente aberta aqui: nomeia as comparações, e várias delas não favorecem o modelo. Seus próprios números contra o concorrente aberto mais próximo no mesmo formato, Qwen3.5-122B-A10B:

• GPQA-Diamond — Nemotron 3.5 Super VL 89,52 vs Qwen3.5-122B-A10B 86,7 (Nemotron à frente)

• HLE, somente texto — 31.79 vs 24.2 (Nemotron à frente)

• MMLU-ProX — 76,91 vs 83,2 (Qwen à frente por mais de seis pontos)

• CritPt — 10,86 vs 1,1 (Nemotron com uma ampla vantagem)

• LiveCodeBench v6 — 88.22 vs 76.7 (N​emotron à frente neste harness)

• SWE-bench Verified — 71,10 vs 71,9 (empate, dentro do ruído)

• SWE-bench Pro — 51,78 vs 44,9 (N​emotron à frente)

• tau2-bench retail — 69,24 vs 55,4 (Nemotron à frente)

• tau2-bench telecom — 73,19 vs 87,2 (Qwen à frente em 14 pontos)

• AA-LCR v1.1 — 68,62 vs 75,1 (Qwen à frente em contexto longo)

• BabyVision — 29,60 vs 35,7 (Q​wen à frente)

• MathVision — 78,16 vs 83,3 (Qwen à frente)

• OCRBench v2, inglês — 68,12 vs 68,3 (praticamente no mesmo nível)

• OCRBench v2, chinês — 59,15 vs 67,3 (Q​wen à frente por oito pontos)

• V* — 85,60 vs 91,1 (Qwen à frente)

• IFBench — 70,86 vs 67,6 (Nemotron à frente)

• Índice AA-Omniscience — 4,03 vs -36,1 (ambos fracos; N​emotron muito menos negativo)

Há três coisas que vale a pena dizer sobre esta tabela, em vez de deixar que as vitórias falem por si.

Primeiro, todos os números nele — do Nemotron e de cada baseline — são relatados pelo fornecedor e coletados por meio do próprio harness da NVIDIA. A ficha diz isso diretamente: "Todos os resultados de avaliação para o Nemotron 3.5 Super e as baselines foram coletados via NeMo Gym", com notas de reprodutibilidade publicadas no repositório do NeMo Gym. Essa divulgação é melhor do que a maioria dos laboratórios consegue fazer, e ainda assim não é uma pontuação independente. Leia as colunas como medições de um único laboratório para vários modelos, não como um ranking neutro.

Segundo, a própria N​VIDIA lista os benchmarks que não foram integrados às suas ferramentas abertas — BabyVision, CharXiv-RQ, MathVision, MMLongBench-Doc, OCR-Reasoning, OCRBench-v2, V* e Video-MME-v2 — e afirma que esses usaram implementações oficiais ou "uma estrutura interna que planejamos abrir o código-fonte no futuro". Toda linha multimodal da tabela carrega essa ressalva.

Terceiro, o padrão nas derrotas é coerente, e não aleatório. As lacunas estão em OCR de chinês, raciocínio de contexto longo e matemática visual e leitura de gráficos. As vitórias se concentram em benchmarks de chamada de ferramentas e tarefas agênticas de horizonte curto — CritPt, tau2-bench retail and airline, APEX, Terminal-Bench 2.1 com 66,70 contra 48,70 da Qwen, SWE-bench Pro. Para um modelo que a NVIDIA posiciona como o executor em uma pilha de agentes multimodelo, esse é um perfil defensável. Se sua carga de trabalho for análise de documentos em chinês ou contexto analítico muito longo, a mesma tabela está lhe dizendo outra coisa.

Modelos pós-treinados superam os modelos base, e a NVIDIA lidera com isso

A alegação de precisão mais concreta no post do blog da NVIDIA não é uma pontuação de benchmark. É uma alegação sobre personalização: que o pós-treinamento de um Nemotron 3.5 Super VL base pode levar uma carga de trabalho especializada além do Claude Opus 5. O exemplo da NVIDIA são sinistros de seguro médico, onde cita um ganho de 44% com o pós-treinamento.

Duas coisas importam na forma como a NVIDIA relata isso. O número é atribuído a um ganho alegado de pós-treinamento, não a uma comparação modelo a modelo em um benchmark público — que é um tipo diferente e mais fraco de evidência. E o próprio post da NVIDIA faz questão de dizer que esses ganhos vêm com ressalvas: "o modelo base não superou modelos de fronteira proprietários por conta própria" é a versão honesta da frase, e o enquadramento é que a vantagem dos pesos abertos é que uma empresa pode fazer pós-treinamento com seus próprios dados e executar o resultado em sua própria infraestrutura.

O lado do fornecedor da mesma história é frágil. A NVIDIA nomeia a Scale AI, a Ramp e a AI21 como organizações que fizeram o pós-treinamento do modelo; a Ramp é citada como esperando "até 50% mais throughput e latência 10x menor" para extração de recibos para JSON, e a Scale AI, uma redução de 40x no custo de inferência e uma melhoria de 5x na latência para processamento de crédito de fornecedores. Essas são expectativas e resultados declarados pelos clientes, publicados pelo fornecedor, sem qualquer medição independente por trás delas. Podem muito bem confirmar-se. Ninguém fora dessas empresas verificou.

O que a NVIDIA publica que ajuda é a superfície de receitas: NeMo AutoModel para SFT e LoRA, NeMo RL e NeMo Gym para aprendizado por reforço e avaliação baseada em ambiente, NeMo Data Designer para geração de dados multimodais, além de 45 conjuntos de dados de visão-linguagem e um conjunto de conjuntos de dados de uso de ferramentas agênticas, raciocínio financeiro e seguimento de instruções no Hugging Face. Um tutorial de reprodutibilidade para os benchmarks publicados está no repositório do NeMo Gym. A última parte é genuinamente útil — significa que você pode tentar reexecutar as próprias avaliações da NVIDIA em vez de confiar na tabela.

A licença não é o que o marketing sugere.

Este é o detalhe pelo qual vale a pena ler o repositório em vez do post do blog.

O post da NVIDIA chama o modelo de "um modelo multimodal aberto e personalizável" e se refere aos "pesos abertos do modelo". Ambas as afirmações são precisas em relação aos pesos. Nenhuma delas é uma afirmação sobre a licença. O frontmatter do cartão do modelo traz license: other, com license_name: openmdw-1.1, e os termos que regem são o OpenMDW License Agreement versão 1.1 em openmdw.ai/license/1-1/. O cartão afirma claramente que o modelo "está pronto para uso comercial ou não comercial", e a própria linguagem de implantação da NVIDIA se refere a executá-lo em "ambientes locais, de data center ou de nuvem suportados".

Então: utilizável comercialmente, segundo a NVIDIA. Mas "aberto", aqui, significa OpenMDW-1.1, não Apache 2.0 e não MIT. Se a sua organização tem uma lista de licenças de código aberto pré-aprovadas, essa lista é o que deve ser verificado antes de qualquer outra coisa — e a diferença prática entre "pesos abertos" e uma licença com nome é exatamente o tipo de lacuna que custa um ciclo de lançamento para se descobrir tarde. Isto não é uma crítica ao modelo, e a OpenMDW não é uma licença restritiva. É um lembrete de que o adjetivo do post do blog está a fazer menos trabalho do que o frontmatter do cartão.

Testando isso sem apostar um caminho de produção nisso

As receitas de implantação publicadas são explicitamente para máquina única, e isso molda como isto é avaliado. Os comandos vLLM da N​VIDIA em ambas as placas são executados em TP4 em 4× H100 ou TP2 em 2× GB200 com --trust-remote-code — o modelo traz código de modelagem personalizado — e a receita do SGLang usa lmsysorg/sglang:v0.5.20 em dois GB200s. Para o DGX Spark, há um checkpoint dedicado do drafter LiLiCorr, e a N​VIDIA o recomenda em todos os cenários do Spark; a empresa afirma geração de tokens até 2,3x mais rápida do que a decodificação sem especulação. Em 16 B200s com Dynamo, a N​VIDIA cita atender até 8x mais usuários com latência do primeiro token reduzida em 85% a 50 tokens por segundo por usuário. Cada uma dessas é uma medição interna do fornecedor.

Isso é um custo real de avaliação para um modelo que tem três dias, não tem um placar independente e cujas linhas multimodais vêm com a ressalva de um scaffolding não aberto. O jeito barato de analisar isso não é subir quatro H100s primeiro.

A maneira barata de analisar um lançamento tão recente é através de um único gateway, em vez de um segundo pedido de hardware. Na OrcaRouter, isso significa uma única chave para mais de 200 modelos ao preço de lista do provedor, com 0% de markup, sem contrato separado e sem alteração de código, e failover automático entre provedores para que um modelo que você ainda não validou não seja um ponto único de falha em um caminho de produção. Este modelo específico ainda não está no catálogo — a N​VIDIA o lançou há alguns dias —, então hoje ele vem da própria API do fornecedor ou das plataformas de terceiros que o disponibilizam. O que isso lhe proporciona é a comparação que você pode realmente executar agora: coloque os candidatos que ele afirma superar atrás da mesma chave, execute suas próprias tarefas por meio deles e em comparação com os modelos que você já usa, e deixe a camada de roteamento fazer da troca uma mudança de configuração em vez de uma migração. Só então a questão de 4× H100 ou 2× GB200 se torna uma decisão de compra em vez de um palpite.

O ponto não é que o roteamento substitua um benchmark. É que a decisão que você pode tomar hoje é quais tarefas este modelo deve assumir na sua stack, e essa decisão não exige um pedido de hardware.

O que ainda não está estabelecido

A lista honesta das incógnitas é curta, mas de grandes consequências, e é a partir dela que se deve trabalhar, e não do marketing:

• Não existe avaliação independente. Toda pontuação citada acima é da execução do NeMo Gym da N​VIDIA. O blog da N​VIDIA cita testes de benchmark da Artificial Analysis e uma avaliação independente da EXO Labs que coloca o modelo na fronteira de Pareto de precisão versus conclusão de tarefas do DGX Spark, mas a ficha do modelo não publica nenhuma pontuação de terceiros por conta própria, e não há página de modelo independente para ele nos principais agregadores no momento da redação.

• O delta de acurácia entre BF16 e NVFP4 não está quantificado. O argumento da NVIDIA em favor do NVFP4 baseia-se em destilação com reconhecimento de quantização para fechar a lacuna. Trata-se de uma alegação metodológica, não de uma comparação de acurácia publicada entre os dois checkpoints que você pode realmente baixar.

• A campanha de benchmarks foi realizada em parte com ferramentas próprias da NVIDIA. Oito benchmarks multimodais usaram implementações oficiais ou infraestrutura interna que a NVIDIA diz que "planeja abrir o código no futuro" — o que significa que esses resultados são reproduzíveis em princípio, algum dia, e não hoje.

• Ganhos de pós-treinamento são relatados por fornecedores e clientes. O ganho de 44% em sinistros e os números da Ramp e Scale AI são declarados pela NVIDIA sobre seus próprios clientes. Ninguém os mediu de forma independente.

• O comportamento de contexto longo na janela completa de 1M não foi testado fora do fornecedor. A arquitetura foi construída para isso e a N​VIDIA publica receitas de implantação para isso. Se o recall se mantém ao longo de um milhão de tokens completo em documentos reais é exatamente o tipo de coisa que aparece em testes independentes e não aparece em uma tabela de fornecedor.

Você deveria agir sobre isso agora?

Se você cria agentes de documentos, gráficos, vídeos ou multi-ferramentas e já reservou orçamento para inferência de classe 120B, vale a pena dar uma olhada de verdade esta semana: a camada NVFP4 o coloca em duas H100s, a licença permite uso comercial, e as linhas de chamada de ferramentas na tabela da NVIDIA são a parte mais forte disso. A configuração de 12B ativos também significa que ele é mais barato por token do que seu total de 120B sugere — e, do lado do OrcaRouter, uma mudança de preço do fornecedor sobre ele entra em vigor no mesmo dia, em vez de depois de um ciclo de faturamento, porque o preço de tabela do provedor é repassado sem acréscimo de margem.

Se a sua carga de trabalho depende de OCR em chinês, de contexto analítico muito longo ou de matemática visual, a própria tabela da NVIDIA dá-lhe três razões específicas para esperar por números independentes em vez de raciocinar a partir do marketing.

De qualquer forma, o que se deve acompanhar não é outro post de fornecedor. É a primeira avaliação independente que roda o checkpoint NVFP4 contra o BF16 no mesmo harness, e a primeira pontuação de terceiros que não foi coletada por meio do NeMo Gym. Enquanto essas não existirem, este é um modelo aberto bem documentado, com licenciamento confortável e genuinamente eficiente, cujas alegações mais fortes repousam inteiramente nas medições do próprio criador — e cujo próprio criador foi claro o suficiente para publicar as linhas em que ele perde.

Essa lacuna entre o que um placar mede e o que uma implantação enfrenta é a razão pela qual o registro importa: as falhas de IA documentadas e os incidentes com agentes envolvendo modelos dessa classe estão reunidos em o OrcaRouter AI Incident Archive, onde cada entrada traz suas próprias fontes, gravidade, grau de confiança e indicador de contestação.