2026 年 10 月 19 日，Nvidia 發布 Nemotron 3.5 Super VL，一個 1,200 億參數的開放權重多模態模型，同場推出兩款邊緣模型 Nemotron 3.5 Bolt 74B-A9B 24GB 與 Nemotron 3.5 Bolt E4B 4GB。Super VL 與 Bolt 74B-A9B 即日於 Hugging Face、OpenRouter、ModelScope 及 NVIDIA NIM 上架，Bolt E4B 則於 10 月 23 日推出。[1]
Nvidia 指 Super VL 是為長時間運作的專門 agent 而設，在同級模型中任務完成速度最快、準備度最高，並與 Nemotron Coalition 合作開發。[1]
混合專家架構縮部成本
Super VL 採用混合專家架構，總參數 1,200 億，但每個 token 只啟動約 120 億參數，reasoning、指令跟隨、工具使用與文字、圖片、文件、影片理解集中在同一個模型之內，企業不必再為視覺任務另設一套視覺語言模型。[2]
Nvidia 表示，Super VL 在多模態 agent 任務上的準備度，與該公司最大的推理模型相若，而參數量僅約五分之一；在 Artificial Analysis 的智能指數同級比較中，吞吐量最高可達次旗艦模型的五倍。[1] 官方還指出，模型以約 26 萬個 token 完成預訓練與持續預訓練，之後以約 380 萬樣本及數十個環境的強化學習進行後訓練。[1]
開放程度是另一個賣點：模型附開放權重、開放資料集與訓練配方，機構可在自己的資料上後訓練，並部署在自己的基礎設施之內。Nvidia 以保險與金融為例，指客製化 agent 可重複掃描索賠索引中的欺詐特徵，或按機構自身的借貸準則審核信貸評分，而資料不會離開本地環境。[1]
企業以自家資料後訓練
Nvidia 公開的名單顯示，多家機構已把 Super VL 後訓練成專門 agent。Scale AI 為 Skydance 的委託商信金融 agent 及 EY 的採購職調查 agent 進行後訓練；AfterQuery 為 Hebbia 定製信貸協議分析；AI21 與 Alice 針對網絡安全攻擊整合模型；Mercor 在 APEX-SWE 編程基準上後訓練，用於規劃、重構與除錯程式碼；Ramp 用於金融文件理解，R1 用於麥肯錫索引與收益環管理。[1]
平台整合方面，Atlassian 把模型用於跨越 Jira 與 Confluence 的 agent 搜尋，CrowdStrike 用於企業安全的情境演練，Perplexity 用於搜尋與 agent 任務，Salesforce 則用於在受控客戶環境中自動化政府工作流程；Dassault Systèmes 與 Synopsys 分別用於工程設計模擬及半導體設計驗證。[1]
部署層面，NVIDIA NIM 把模型包裝成生產級微服務，每兩週更新安全修補與效能改進；配合 NVIDIA Dynamo 服務，Nvidia 指可支持多達八倍用戶，延遲降低 85%。[1]
邊緣與桌面同樣覆蓋
兩款 Bolt 模型針對不同層級。Bolt 74B-A9B 24GB 以原生 2-bit 量化把模型縮至 24GB 記憶體，可與其他輕量用途同時運行於 RTX 及 DGX Spark 部署，並支持 llama.cpp、Ollama、LM Studio、Unsloth 及 vLLM；Nvidia 指其在 PinchBench 同級開源模型中排第一，在 BrowseComp 排第二。[1]
Bolt E4B 4GB 則面向 GeForce RTX、Jetson 及 RTX/DGX Spark，主打自然對話與多齒 agent 能力的組合，用於本地語音助理、互動角色與嵌入式介面。[1] 三款模型合起來，覆蓋由數據中心伺服器到桌面與邊緣部署的 agent 部署層級。
視覺能力方面，Super VL 針對 agent 實際遇到的材料設計，包含光學字元識別、表格、圖表與視覺文件中的結構化資訊；它能讀取網頁、提取文字、理解圖表，並對 PDF 等文件採取行動，令 agent 在文件、數據與決策之間推進時不必把任務分流到不同系統。[1]
參考資料
[2] NVIDIA Nemotron 3.5 Super VL Powers Specialized Agents with Multimodal Reasoning(2026年10月19日)