NVIDIA Nemotron 3.5 Super VL: Den öppna 120B-modellen som släpptes före sitt eget blogginlägg

Vikterna för N​VIDIA N​emotron 3.5 Super VL låg på Hugging Face tre dagar innan N​VIDIA skrev om dem. Fullprecisionsrepot, nvidia/N​VIDIA-N​emotron-3.5-Super-VL-120B-A12B-BF16, skapades 2026-10-12T15:32:06Z. Dess kvantiserade syskon, nvidia/N​VIDIA-N​emotron-3.5-Super-VL-120B-A12B-NVFP4, lades upp 24 sekunder senare. N​VIDIA:s eget utvecklarblogginlägg som förklarar modellen är daterat den 15 oktober 2026 – samma dag som dess modellkort säger "Hugging Face - 10/15/2026". Så de offentliga artefakterna och det offentliga tillkännagivandet kom olika dagar, och gapet är tillräckligt litet för att ingen av datumen är fel och båda är värda att känna till.

Det som följer är vad repot och NVIDIA:s inlägg faktiskt säger om denna språk- och visionsmodell med 120B parametrar och 12B aktiva: arkitekturen, driftsättningsmatematiken, var dess egen publicerade tabell visar att den förlorar, och licensieringshaken som blogginlägget aldrig nämner.

Vad N​emotron 3.5 Super VL faktiskt är

NVIDIA beskriver den i sitt eget inlägg som "en öppen, anpassningsbar multimodal modell" byggd för specialiserade agentarbetsflöden – resonemang, instruktionsföljning och verktygsanvändning, kombinerat med text-, bild-, dokument- och videoförståelse i en och samma uppsättning vikter. Poängen med den kombinationen, så som NVIDIA framställer det, är att team "kan hantera text- och visuella uppgifter utan att distribuera separata text- och visionsspråkmodeller eller skicka uppgiftskontext mellan dem."

Arkitekturen, enligt modellkortet:

• Shape — 120B parametrar totalt, 12B aktiva per token. En mixture-of-experts-modell med 512 routade experter per MoE-lager.

• Backbone — sammanflätade Mamba-2-, attention- och MoE-lager, en hybriddesign från Nemotron som ärvts från Nemotron 3-serien.

• Vision — en C-RADIO-visionencoder plus en vision-språk-konnektor. Transformers-arkitektursträngen är NemotronH_Omni_Reasoning_V3, modelltyp nemotron_h_omni.

• Kontext — upp till 1M token, där prompten, bilder, konversationshistorik, verktygsresultat och det genererade svaret alla delar det fönstret.

• Spekulativ avkodning — ett inbyggt Multi-Token Prediction-huvud, så ingen separat nedladdning av drafter krävs för de vLLM- och SGLang-recept som N​VIDIA publicerar.

• Resonemangsläge — kan växlas genom chattmallen via enable_thinking, med en medium_effort-inställning däremellan. Resonemangstoken och svaret delar samma max_tokensbudget, vilket kortet uttryckligen flaggar eftersom det är den vanliga orsaken till trunkerad agentutdata.

• Indata — text, RGB-bilder (JPEG, PNG) och MP4-video på upp till två minuter. Den rekommenderade videosamplingen i vLLM-receptet är 2 FPS och 256 bildrutor med en beskärningsgrad på 0,5; för 1080p säger kortet att man ska gå ner till 1 FPS och 128 bildrutor.

• Språk — engelska, spanska, franska, tyska, italienska och japanska i kortets frontmatter. N​VIDIA säger också att träningskorpusen omfattar engelska plus 19 andra talade språk och 43 programmeringsspråk.

Två precisionsnivåer, och minnet de köper

N​VIDIA släppte modellen två gånger, och minneshoppet mellan de två är det enskilt mest beslutsrelevanta talet i lanseringen.

• BF16 — referensen med full precision. Repot innehåller 64 safetensors-shards med en total storlek på ungefär 231,8 GiB. NVIDIAs eget serveringsrecept är --tensor-parallel-size 4 på 4× H100, eller TP2 på 2× GB200.

• NVFP4 — vikter och aktiveringar i 4 bitar med kvantiseringsmedveten destillation, vilket N​VIDIA säger "stänger noggrannhetsgapet som kvantiseringen introducerar." Samma checkpoint körs på hårdvara som inte är Blackwell med vikter i 4 bitar och aktiveringar i 16 bitar, och QAD gör det också möjligt att lagra KV-cachen i NVFP4 i stället för FP8. Eftersom kvantiseringen sker under träningen i stället för efteråt, uppger N​VIDIA att den inte medför någon inferensoverhead. NVFP4-kortet anger driftsättning på 1× DGX Spark, 1× H200, 2× H100 eller 1× GB200.

Den sista raden är den praktiska. En 120B-modell som får plats på två H100 i FP4 i stället för fyra i BF16 är en annan inköpsdiskussion, och det är därför det kvantiserade repot är det som N​VIDIA pekar på för effektiv servering. Ett tredje syskon, N​VIDIA-N​emotron-3.5-Super-VL-120B-A12B-NVFP4-LiLiCorr, dök upp på Hugging Face en dag före huvudparet utan något meddelande; N​VIDIAs blogg förklarar senare LiLiCorr som en öppen spekulativ avkodningsteknik och kallar den "den rekommenderade draftaren för låg latens-inferens med N​emotron 3.5 Super VL" på DGX Spark. Dess repo är fyra dagar äldre än den förklaringen, vilket är en rättvis illustration av hur den här utgåvan dök upp.

Det finns en berättigad fråga bakom det där hoppet — vad NVFP4-nivån offrar jämfört med BF16-referensen — men NVIDIAs eget svar är ett påstående om träningsmetodik, inte en publicerad sida-vid-sida-tabell över träffsäkerhet för de två checkpointarna. Om precisionsvalet är det som ditt beslut hänger på, finns den jämförelsen inte i repot.

Där dess egen benchmark-tabell visar att den förlorar

Modellkortet innehåller en stor benchmarktabell framtagen av leverantören – ungefär 40 rader – som täcker resonemang, kodning, agentiska uppgifter, lång kontext, flerspråkigt och multimodalt arbete. N​VIDIA är ovanligt öppenhjärtigt här: företaget namnger jämförelserna, och flera av dem smickrar inte modellen. Dess egna siffror mot den närmaste öppna konkurrenten i samma form, Qwen3.5-122B-A10B:

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

• HLE, endast text — 31,79 mot 24,2 (N​emotron ligger före)

• MMLU-ProX — 76,91 vs 83,2 (Qwen leder med mer än sex poäng)

• CritPt — 10,86 vs 1,1 (Nemotron ligger långt före)

• LiveCodeBench v6 — 88,22 mot 76,7 (Nemotron ligger före i denna testrigg)

• SWE-bench Verified — 71,10 mot 71,9 (oavgjort, inom felmarginalen)

• SWE-bench Pro — 51,78 mot 44,9 (N​emotron leder)

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

• tau2-bench telecom — 73,19 mot 87,2 (Qwen leder med 14 poäng)

• AA-LCR v1.1 — 68,62 mot 75,1 (Qwen ligger före vid lång kontext)

• BabyVision — 29,60 vs 35,7 (Qwen ligger före)

• MathVision – 78,16 mot 83,3 (Qwen leder)

• OCRBench v2, engelska — 68,12 vs 68,3 (i stort sett samma nivå)

• OCRBench v2, kinesiska — 59,15 mot 67,3 (Qwen leder med åtta poäng)

• V* — 85,60 mot 91,1 (Qwen ligger före)

• IFBench — 70.86 vs 67.6 (Nemotron i ledningen)

• AA-Omniscience-index — 4,03 vs -36,1 (båda svaga; Nemotron långt mindre negativt)

Tre saker förtjänar att sägas om den här tabellen i stället för att låta vinsterna tala för den.

För det första är varje tal i den — Nemotrons och varje baslinjes — leverantörsrapporterat och insamlat via NVIDIAs eget utvärderingsramverk. Modellkortet säger det direkt: "Alla utvärderingsresultat för Nemotron 3.5 Super och baslinjer samlades in via NeMo Gym," med reproducerbarhetsnoter publicerade i NeMo Gym-arkivet. Det är bättre redovisning än vad de flesta labb klarar av, och det är fortfarande inte en oberoende poäng. Läs kolumnerna som ett labbs mätningar av flera modeller, inte som en neutral topplista.

För det andra listar NVIDIA själva de benchmarks som inte togs med i företagets öppna verktyg — BabyVision, CharXiv-RQ, MathVision, MMLongBench-Doc, OCR-Reasoning, OCRBench-v2, V* och Video-MME-v2 — och säger att dessa använde officiella implementationer eller "en intern scaffolding som vi planerar att släppa som öppen källkod i framtiden." Varje multimodal rad i tabellen har detta förbehåll.

För det tredje är mönstret i förlusterna sammanhängande snarare än slumpmässigt. Luckorna finns inom kinesisk OCR, långkontextresonemang samt visuell matematik och diagramläsning. Vinsterna klustrar i benchmarks för verktygsanrop och agentiska uppgifter med kort horisont — CritPt, tau2-bench retail och airline, APEX, Terminal-Bench 2.1 på 66,70 mot Qwens 48,70, SWE-bench Pro. För en modell som NVIDIA positionerar som utföraren i en agentstack med flera modeller är det en försvarbar profil. Om din arbetsbelastning är kinesisk dokumentparsning eller mycket lång analytisk kontext säger samma tabell dig något annat.

Eftertränade slår basen, och N​VIDIA leder med det.

Det mest konkreta påståendet om noggrannhet i N​VIDIAs blogginlägg är inte en benchmark-poäng. Det är ett påstående om anpassning: att efterträning av en basmodell av N​emotron 3.5 Super VL kan få en specialiserad arbetsbelastning att överträffa Claude Opus 5. N​VIDIAs exempel är medicinska försäkringsanspråk, där man anger en 44-procentig förbättring från efterträning.

Två saker spelar roll för hur N​VIDIA rapporterar detta. Siffran tillskrivs en påstådd förbättring från efterträning, inte en modell-mot-modell-jämförelse på ett offentligt benchmark – vilket är en annan och svagare typ av bevis. Och N​VIDIA:s eget inlägg är noga med att säga att dessa förbättringar kommer med förbehåll: "basmodellen överträffade inte proprietära frontier-modeller på egen hand" är den ärliga versionen av meningen, och inramningen är att fördelen med öppna vikter är att ett företag kan efterträna på sina egna data och köra resultatet i sin egen infrastruktur.

Leverantörssidan av samma berättelse är tunn. NVIDIA namnger Scale AI, Ramp och AI21 som organisationer som har eftertränat modellen; Ramp citeras för att förvänta sig ”upp till 50 % högre genomströmning och 10 gånger lägre latens” för extrahering från kvitto till JSON, och Scale AI en 40-faldig minskning av inferenskostnaden och en 5-faldig latensförbättring för hantering av leverantörskrediter. Det är förväntningar och resultat som kunderna har angett, publicerade av leverantören, utan någon oberoende mätning bakom sig. De kan mycket väl stämma. Ingen utanför dessa företag har kontrollerat det.

Det som NVIDIA faktiskt publicerar och som hjälper till är receptytan: NeMo AutoModel för SFT och LoRA, NeMo RL och NeMo Gym för förstärkningsinlärning och miljöbaserad utvärdering, NeMo Data Designer för multimodala datagenerering, plus 45 bild- och språkdatamängder och en uppsättning datamängder för agentisk verktygsanvändning, finansiellt resonemang och instruktionsföljning på Hugging Face. En handledning för reproducerbarhet av de publicerade benchmarkarna finns i NeMo Gym-repositoriet. Den sista delen är verkligen användbar – den innebär att du kan försöka köra om NVIDIAs egna utvärderingar i stället för att lita på tabellen.

Licensen är inte vad marknadsföringen antyder.

Det här är detaljen som gör att det är värt att läsa repot i stället för blogginlägget.

NVIDIAs inlägg kallar modellen "en öppen, anpassningsbar multimodell" och hänvisar till "modellens öppna vikter". Båda påståendena är korrekta vad gäller vikterna. Inget av dem är ett påstående om licensen. Modellkortets frontmatter lyder license: other, med license_name: openmdw-1.1, och de styrande villkoren utgörs av OpenMDW License Agreement version 1.1 på openmdw.ai/license/1-1/. Kortet anger klart och tydligt att modellen "är redo för kommersiell eller icke-kommersiell användning", och NVIDIAs egen driftsättningsterminologi hänvisar till att köra den i "stödda lokala miljöer, datacenter- eller molnmiljöer".

Så: kommersiellt användbar, enligt N​VIDIA. Men "open" här betyder OpenMDW-1.1, inte Apache 2.0 och inte MIT. Om din organisation har en lista över förgodkända licenser för öppen källkod är den listan det första du bör kontrollera — och den praktiska skillnaden mellan "öppna vikter" och en namngiven licens är precis den sorts lucka som kostar en releasecykel att upptäcka sent. Detta är inte en kritik av modellen, och OpenMDW är inte en restriktiv licens. Det är en påminnelse om att blogginläggets adjektiv gör mindre arbete än kortets frontmatter.

Att prova det utan att satsa en produktionsväg på det

De publicerade distributionsrecepten är uttryckligen avsedda för en enda maskin, och det formar hur detta utvärderas. NVIDIAs vLLM-kommandon i båda korten körs med TP4 på 4× H100 eller TP2 på 2× GB200 med --trust-remote-code — modellen levereras med egen modelleringskod — och SGLang-receptet använder lmsysorg/sglang:v0.5.20 på två GB200. För DGX Spark finns det en dedikerad LiLiCorr-draft-checkpoint, och NVIDIA rekommenderar den i alla Spark-scenarier; företaget hävdar upp till 2,3x snabbare token-generering än avkodning utan spekulation. På 16 B200 med Dynamo uppger NVIDIA att man kan betjäna upp till 8x så många användare med 85 % lägre latens för första token vid 50 token per sekund och användare. Vart och ett av dessa är en leverantörsintern mätning.

Det är en reell utvärderingskostnad för en modell som är tre dagar gammal, inte har någon oberoende resultattavla och vars multimodala rader kommer med ett förbehåll om oöppnad scaffolding. Det billiga sättet att titta på det är inte att först sätta upp fyra H100:or.

Det billiga sättet att titta på en så här ny lansering är via en enda gateway i stället för en andra hårdvarubeställning. På OrcaRouter innebär det en nyckel över 200+ modeller till leverantörens listpris med 0 % påslag, inget separat avtal och ingen kodändring, och automatisk failover mellan leverantörer så att en modell som du ännu inte har validerat inte blir en enda felpunkt i en produktionsväg. Just den här modellen finns ännu inte i katalogen – NVIDIA släppte den för några dagar sedan – så i dag kommer den från leverantörens eget API eller från tredjepartsplattformar som tillhandahåller den. Vad det ger dig är den jämförelse du faktiskt kan köra nu: placera kandidaterna som den påstås slå bakom samma nyckel, kör dina egna uppgifter genom dem och mot de modeller du redan använder, och låt routningslagret göra bytet till en konfigurationsändring i stället för en migrering. Först då blir frågan om 4× H100 eller 2× GB200 ett inköpsbeslut i stället för en gissning.

Poängen är inte att routing ersätter ett benchmark. Det är att beslutet du kan fatta idag är vilka uppgifter den här modellen bör ansvara för i din stack, och det beslutet kräver ingen hårdvarubeställning.

Vad som inte är fastställt ännu

Den ärliga listan över okända faktorer är kort men betydelsefull, och det är listan att utgå ifrån snarare än marknadsföringen:

• Det finns ingen oberoende utvärdering. Varje poäng som citeras ovan kommer från NVIDIAs NeMo Gym-körning. NVIDIAs blogg hänvisar till Artificial Analysis benchmarktestning och en oberoende EXO Labs-utvärdering som placerar modellen på en Pareto-front för noggrannhet kontra uppgiftsavslutning på DGX Spark, men modellkortet publicerar ingen tredjepartspoäng av sitt eget, och det finns ingen oberoende modellsida för den hos de stora aggregatorerna vid tidpunkten för skrivandet.

• Noggrannhetsdeltat mellan BF16 och NVFP4 är inte kvantifierat. NVIDIAs NVFP4-argument bygger på kvantiseringsmedveten destillation som stänger gapet. Det är ett metodpåstående, inte en publicerad noggrannhetsjämförelse mellan de två checkpoints som du faktiskt kan ladda ner.

• Benchmarkkampanjen kördes delvis med N​VIDIAs egna verktyg.Åtta multimodala benchmarks använde officiella implementationer eller intern stödkod som N​VIDIA säger att man "planerar att släppa som öppen källkod i framtiden" — vilket innebär att dessa resultat i princip är reproducerbara, någon gång, men inte i dag.

• Förbättringar från efterträning är leverantörs- och kundrapporterade. Den påstådda förbättringen på 44 % och siffrorna från Ramp och Scale AI uppges av N​VIDIA om dess egna kunder. Ingen har mätt dem oberoende.

• Beteendet vid långa kontexter i det fulla 1M-fönstret är otestat utanför leverantören. Arkitekturen är byggd för det och N​VIDIA publicerar driftsättningsrecept för det. Om återkallningsförmågan håller över en full miljon token på riktiga dokument är precis den typ av sak som dyker upp i oberoende tester och inte syns i en leverantörstabell.

Bör du agera på detta nu?

Om du bygger agenter för dokument, diagram, video eller flera verktyg och redan har budgeterat för inferens i 120B-klassen är detta värt en ordentlig titt den här veckan: NVFP4-nivån placerar den på två H100:or, licensen tillåter kommersiell användning, och raderna för verktygsanrop i NVIDIAs tabell är den starkaste delen av det hela. Formen med 12B aktiva parametrar gör den dessutom billigare per token än vad dess totala 120B antyder – och på OrcaRouter-sidan slår en leverantörsprisändring för den igenom samma dag i stället för först efter en faktureringscykel, eftersom leverantörens listpris förs vidare utan något påslag.

Om din arbetsbelastning förlitar sig på OCR på kinesiska, mycket lång analytisk kontext eller visuell matematik ger NVIDIAs egen tabell dig tre specifika skäl att vänta på oberoende siffror i stället för att resonera utifrån marknadsföringen.

Hur som helst, det man bör hålla utkik efter är inte ännu ett leverantörsinlägg. Det är den första oberoende utvärderingen som kör NVFP4-checkpointen mot BF16-versionen i samma testramverk, och det första tredjepartsresultatet som inte samlats in via NeMo Gym. Tills de finns är detta en väldokumenterad, bekvämt licensierad, genuint effektiv öppen modell vars starkaste påståenden helt och hållet vilar på dess skapares egna mätningar — och vars egen skapare var tydlig nog att publicera raderna där den förlorar.

Den där klyftan mellan vad en resultattavla mäter och vad en driftsättning möter är anledningen till att registret är viktigt: de dokumenterade AI-felen och agentincidenterna kring modeller i den här klassen samlas i OrcaRouter AI Incident Archive, där varje post har sina egna källor, allvarlighetsgrad, konfidensgrad och omtvistad flagga.