Nvidia lança Nemotron 3.5 Super VL, modelo aberto de 120B para agentes corporativos

A Nvidia lançou em 15 de outubro de 2026 o Nemotron 3.5 Super VL, um modelo multimodal aberto de 120 bilhões de parâmetros voltado a agentes de IA que rodam continuamente em ambientes corporativos, processando texto, imagem, documento e vídeo. Junto dele vieram duas versões menores da linha Bolt, pensadas para rodar em máquina local e dispositivo de borda. O anúncio foi detalhado num post técnico da Nvidia, segundo reportagem do The Decoder.

O modelo foi desenvolvido dentro da Nemotron Coalition, grupo que reúne Nvidia, Mistral AI, Thinking Machines Lab, Perplexity e Black Forest Labs. É a quarta peça da família Nemotron 3: Lightning (lançado em agosto de 2026, focado em throughput), Ultra (para raciocínio pesado), e agora Super VL e Bolt.

Como funciona por dentro: MoE com 12B ativos de 120B

Super VL usa arquitetura mixture-of-experts (um conjunto de sub-redes especializadas, das quais só uma parte é ativada por token). Dos 120 bilhões de parâmetros totais, apenas 12 bilhões entram em ação a cada token processado, o que reduz o custo de inferência sem jogar fora a capacidade do modelo guardada nos pesos restantes.

O modelo foi destilado do Nemotron 3 Ultra, o maior modelo de raciocínio da própria Nvidia. Em tarefas de agente (seguir instrução, chamar ferramenta, cumprir processo de negócio em múltiplas etapas, analisar imagem), a Nvidia afirma que Super VL iguala a precisão do Ultra usando cerca de um quinto dos parâmetros. Em benchmarks de agente da Hermes e da LangChain, diz a empresa, ele chega a superar o próprio Ultra. Nos benchmarks de código SWE-bench e Terminal-Bench, supera seu antecessor Nemotron 3 Super, embora fique levemente atrás de concorrentes em precisão, compensando com execução até quatro vezes mais rápida, segundo a Nvidia.

No ranking geral da Artificial Analysis, Super VL fica atrás dos modelos fechados de ponta por boa margem, mas supera o Nemotron 3 Ultra da própria Nvidia. Em teste independente da EXO Labs rodando no DGX Spark (estação de trabalho compacta da Nvidia), nenhum outro modelo testado foi ao mesmo tempo mais preciso e mais rápido que o Super VL.

Visão sem modelo separado: tabela, gráfico e PDF

Para tarefas visuais, a Nvidia mirou no que um agente corporativo encontra no dia a dia: OCR, tabela, gráfico, documento de várias páginas e vídeo. O modelo consegue ler um gráfico, ligar o dado dele a uma tabela em outra parte do mesmo documento e resumir os dois sem precisar chamar um modelo de visão separado.

No benchmark de gráficos CharXiv, Super VL marca 80,8%, contra 63% do antecessor Nemotron 3 Nano Omni. Quando o modelo pode rodar código Python para apoiar a leitura, o número sobe para 84%. No leaderboard OCRBench v2, a Nvidia afirma que ele fica entre os melhores modelos abertos da categoria.

Quantização e cache: a engenharia que baixa o custo por token

O modelo é distribuído comprimido no formato NVFP4, de 4 bits. Em GPUs Blackwell (a arquitetura mais recente da Nvidia), ele roda inteiro em 4 bits; em placas mais antigas, só os pesos ficam em 4 bits e a matemática segue em 16 bits. Partes sensíveis do modelo mantêm precisão mais alta para não perder qualidade, e a Nvidia treinou a versão comprimida para reproduzir a saída da versão original.

Um componente de rascunho (draft) propõe vários tokens adiantados, que o modelo principal verifica numa única passagem, técnica conhecida como decodificação especulativa. No DGX Spark, a Nvidia recomenda seu próprio método, chamado LiLiCorr, que avalia todos os tokens de rascunho juntos para um resultado mais coerente, com ganho de até 2,3x na velocidade de geração em relação a rodar sem rascunho.

Como um agente reenvia a mesma instrução, descrição de ferramenta e histórico de conversa a cada chamada, o Super VL guarda em cache o cálculo dessas partes recorrentes em vez de refazer tudo. O software de inferência Dynamo, da própria Nvidia, direciona as chamadas de uma mesma sessão para a GPU que já tem esse cache. Em 16 GPUs B200, isso permite atender oito vezes mais usuários simultâneos, com o tempo até o primeiro token caindo 85%, segundo a empresa.

Bolt: as versões para rodar fora do data center

As duas variantes Bolt miram hardware local e borda.

Bolt 74B-A9B 24GB é um MoE híbrido comprimido de forma agressiva para caber em 24 GB de memória, voltado a tarefa cotidiana de agente local: escrever e depurar código, buscar na web, encadear múltiplas etapas. Roda em GeForce RTX, DGX Station, RTX PRO e nos novos chips RTX Spark (para notebook Windows com IA) e DGX Spark, e tem suporte declarado para llama.cpp, Ollama, LM Studio e vLLM, os runtimes mais comuns para rodar modelo localmente.

Mesmo comprimido, 24 GB de memória continua sendo uma barreira alta: só placa de ponta oferece isso, e no preço atual de GPU a conta não fecha para a maioria dos desenvolvedores independentes. Por enquanto, o Bolt local é projeto para quem já tem estação de trabalho potente, não para notebook comum. O Bolt E4B 4GB, ainda não lançado, mira assistente de voz e interface de dispositivo em hardware mais fraco, incluindo módulos Jetson.

Quem já está usando em produção

A Nvidia diz que dezenas de empresas já ajustam o Super VL para uso próprio, concentradas em setores com muito documento e dado sensível. Alguns casos citados:

• Scale AI adaptou o modelo para um agente de crédito a fornecedores na Skydance, com expectativa de custo caindo a um quarentavo e tempo de resposta a um quinto.
• Ramp usa o modelo para transformar foto de recibo em dado estruturado, com resposta até dez vezes mais rápida.
• EY aplica o modelo em due diligence de aquisição, e a Hebbia em análise de contrato de crédito.
• AI21 ajustou o Super VL para a empresa de segurança Alice, usado em análise de ameaça e vulnerabilidade, com ganho de 40% em precisão segundo a Nvidia.
• Dream usa o modelo para caça de vulnerabilidade, e a CrowdStrike está construindo agentes de defesa de rede corporativa.
• Salesforce planeja automatizar fluxo de trabalho governamental, R1 audita faturamento médico, e Perplexity, Dassault Systèmes e Mercor também adotaram o modelo.

Quanto de abertura é abertura de verdade

A Nvidia publica os pesos em três versões (base, pós-treinada e comprimida em 4 bits), além dos datasets, das receitas de treinamento e dos ambientes de reinforcement learning usados no pós-treino, o que é mais do que a maioria dos modelos ditos abertos costuma liberar. O pré-treinamento usou mais de 25 trilhões de tokens, e o pós-treino com reforço acrescentou cerca de 4 milhões de exemplos em torno de 100 ambientes de treino abertos.

Um dos datasets liberados no Hugging Face mira línguas da Índia: construído com o Indian Institute of Technology Madras e o laboratório AI4Bharat, tem cerca de 2,83 trilhões de tokens em 22 idiomas indianos. Ajustado com esse conjunto, o Super VL supera modelos especializados maiores, como o Sarvam-105B, em benchmarks de língua indiana.

O ponto que importa: tudo isso ainda puxa pra GPU da Nvidia

Aqui está o detalhe que separa este lançamento de um modelo aberto neutro: cada otimização descrita (NVFP4, Dynamo, LiLiCorr) foi desenhada para hardware Nvidia. O modelo chega via Nvidia NIM como microserviço pronto para empresa, com configuração validada e atualização prevista a cada duas semanas, e os pesos estão no Hugging Face como Nemotron 3.5 Super VL 120B-A12B e Nemotron 3.5 Bolt 74B-A9B 24GB.

Quanto mais empresa roda modelo próprio em vez de depender de API fechada, maior a demanda por placa de GPU, e os modelos abertos de hoje tendem a continuar otimizados para arquitetura Nvidia por bom tempo. Enquanto isso, concorrentes como Meta, Google, Anthropic e OpenAI constroem chip próprio e otimizam modelo para ele. Para empurrar ainda mais a distribuição de modelo aberto, a Nvidia investiu recentemente US$ 12,9 bilhões no Hugging Face, uma das principais plataformas de desenvolvimento e compartilhamento desse tipo de modelo.

Para quem avalia adotar Super VL ou Bolt num projeto real, o cálculo prático fica assim: ganha-se controle total sobre dado e ajuste fino sem depender de termo de serviço de provedor terceiro, mas o desempenho prometido nos números da Nvidia pressupõe rodar em DGX Spark, Blackwell ou RTX de ponta. Rodar em GPU de outro fabricante é tecnicamente possível, porque os pesos são abertos, mas sem o ganho de velocidade e cache que a Nvidia mostra em seus próprios benchmarks.

Fonte: The Decoder