Nvidia Nemotron 3.5 Super VL、120Bのオープンウェイトを公開

Nvidiaは2026年10月15日、Nemotron 3.5 Super VLを公開しました。テキスト、画像、動画を読み取り、テキストで答えるオープンウェイトのAIモデルです。パラメーターは1200億ですが、各トークンで働くのは120億だけなので、高速かつ低コストで動かせます。Nvidiaは対応する構成の1つに、デスクトップ機のDGX Spark 1台を挙げています。そのため、チームは自前のハードウェアで高性能なマルチモーダルモデルを動かせます。

「オープンウェイト」とは、誰でも学習済みのモデルをダウンロードして動かせることを意味します。「VL」はvision-language（視覚と言語）の略です。このモデルはテキストだけでなく、画像や動画も入力として受け取ります。

Nvidiaが公開したもの

VentureBeatによると、Super VLは、Nvidiaが10月15日に発表した3つのNemotron 3.5モデルの1つです。

モデル	サイズ	用途
Super VL	合計120B、アクティブ12B	エージェント向けの文書、グラフ、画面、動画
Bolt 74B-A9B	合計74B、アクティブ9B、24GB	ローカルマシン上のエージェント
Bolt E4B	4GB	チャットとデバイス上のエージェント、10月23日に公開予定

Super VLの重みは、OpenMDWライセンスのバージョン1.1の下でHugging Faceに公開されています。モデルカードには、このモデルは「商用・非商用のいずれの用途にも使える状態です」と記されています。

モデルの構造

Super VLは、混合エキスパート（MoE）モデルです。各層には512個の小さなエキスパートネットワークがあり、ルーターがトークンごとにその中からいくつかを選びます。このモデルは、Mamba-2、標準的なアテンション、MoEの3種類の層を組み合わせています。Mamba-2は、長い入力を低コストで処理する設計です。C-RADIOと呼ばれるビジョンエンコーダーが、画像をモデルが読める入力に変換します。

Nvidiaは重みを2つの精度で提供しています。BF16版は、完全な基準版です。NVFP4版はメモリーを節約するためにほとんどの重みを4ビットで保存しており、BF16モデルに合わせて学習されています。カードによると、両者の違いはわずかです。

カードに記されたその他の詳細は次のとおりです。

• 構成によっては、最大100万トークンのコンテキスト。
• 最長2分のMP4ファイルによる動画入力。
• 複数のトークンを一度に下書きして応答を速める、マルチトークン予測。
• 対応構成は、DGX Spark 1台やGB200 1基から、H100カード2枚まで。llama.cppやUnslothを使えば、RTX SparkやRTX Pro 6000でもローカルで動作します。

ベンチマークの主張

Nvidiaのモデルカードは、BF16モデルの高い総合スコアを挙げています。コーディングのテストであるSWE-bench Verifiedで71.10、科学のテストであるGPQA-Diamondで89.52です。モデルがどれだけうまくコンピューターを操作できるかを測るOSWorld-Verifiedでは、51.14でした。

見出しになっている主張には注意が必要です。Nvidiaによると、5つの特定のタスク向けに事後学習（ポストトレーニング）したSuper VLは、それらのタスクでClaude Opus 5とGPT-6.1 Solを上回りました。保険金請求のタスクでは、正解率が約28%から72%に上がりました。Claude Opus 5は約38%でした。VentureBeatは、Nvidiaがタスクの定義、サンプル数、テスト方法を公表していないと指摘しています。

VentureBeatによると、総合的な知能では、Super VLのArtificial Analysisの指数は約26です。GLM-5.3-Flashは42、Qwen3.8-Flash-Nextは40です。強みは速度です。B200 GPU 4基で毎秒約625トークンを出し、同程度のスコアのモデルであるInkling Smallの約125を上回ります。

ライセンスとコスト

重みはOpenMDWの下で無料です。VentureBeatによると、Nvidiaは本番向けのソフトウェアライセンスも、GPU 1基あたり年間4,500ドルで販売しています。クラウドホストのModalは、秒単位で課金される専用エンドポイントで、すでにこのモデルを提供しています。

今回の公開は、NvidiaがHugging Faceの買収完了を待つさなかに行われました。この件は、Nvidiaが買収を認めた際に報じています。VentureBeatによると、買収は2027年前半に完了する見込みです。

開発者にとっての意味

スクリーンショット、スキャンした文書、短い動画を1つのモデルで読み取りたく、しかも自分でホストしたいなら、Super VLは有力な候補です。まずはBlackwellのハードウェア上で、NVFP4版から始めましょう。Nvidiaのカードによると、Blackwellでは4ビットの演算がネイティブで動作します。

純粋な推論能力を求めて選ぶのはやめましょう。指数のスコアは、より小さく提供できるいくつかのオープンモデルを下回ります。売りは、GPUあたりの速度と、1つの狭い用途に向けて微調整できることです。

その2点目こそが、Nvidiaのグラフが示す本当の教訓です。事後学習したアクティブ12Bのモデルが、自らの狭いタスクでフロンティアモデルを上回りました。繰り返し発生するタスクと、ラベル付きの自社データがあるなら、すべての呼び出しにフロンティア級の料金を払う前に、微調整したオープンモデルを試してください。新しいライセンスと同じく、出荷前にOpenMDWの条件を法務チームと確認しましょう。