企业在审查信贷协议等复杂场景时，往往需结合表格提取、图表解读、网页查阅及内部规则应用，才能生成有效回答。针对此类需求，英伟达推出最新 Nemotron 系列，包含一款融合语言与视觉理解的大模型，以及两款专为本地智能体设计的小模型。
- **Nemotron 3.5 Super VL**：拥有 1200 亿参数的开源模型，能在遵循指令和使用工具的同时，处理 PDF、图表、表格、图像及网页。
- **Nemotron 3.5 Bolt 74B-A9B 24GB**：面向本地编码、研究及其他多步骤任务。
- **Bolt E4B 4GB**：将于 10 月 23 日发布，服务于对话式和基于设备的智能体。
对企业而言，核心价值在于可将模型适配于自有文档和流程，并自主选择运行环境。英伟达指出，组织可在自有数据、工具和策略上对 Super VL 进行后训练（post-training），并根据安全及数据驻留要求部署至合适基础设施。Bolt 系列则提供更小选项，允许将部分智能体工作负载保留在本地系统。
### Nemotron 的产品演进
Super VL 并非英伟达首款具备视觉读取能力的模型。此前的 Nemotron Nano 2 VL 已提供文档和图像分析功能；今年 4 月发布的 300 亿参数 Nemotron 3 Nano Omni 融合文本、图像、音频和视频，定位为文档智能和图形界面读取工具。
此次变化在于视觉理解在产品线中的定位升级。英伟达于今年 3 月发布用于智能体推理的 1200 亿参数 Nemotron 3 Super，随后推出面向更高要求工作的 Nemotron 3 Ultra；8 月发布的 Nemotron 3.5 Lightning 则针对长智能体工作流中的高吞吐量步骤。Super VL 将文档和图像理解能力引入更大的 Super 层级，Bolt 则扩展了本地部署选项。
这种组合有望简化智能体设计。例如，保险索赔审查系统需读取扫描记录、提取结构化信息、对照保单检查并标记人工审核内容。单模型同时处理文本和视觉材料，可减少独立阅读系统间的信息传递损耗。不过，开发者仍需测试模型提取事实的准确性及规则遵循能力。
尽管 Meta 的 Llama 4 和谷歌的 Gemma 4 也支持视觉和文本输入，但 Super VL 的独特优势在于依托更大的 Nemotron 模型体系、英伟达适配部署工具，以及合作伙伴经专门训练后报告的性能结果。
### 合作伙伴定制反馈
英伟达称，已有数十家组织针对各自任务对 Super VL 进行后训练。案例包括 Scale AI 为 Skydance 开发的供应商信贷财务智能体、安永（EY）的并购尽职调查智能体、AfterQuery 为 Hebbia 做的信贷协议分析，以及 AI21、Alice 在网络安全领域和 Mercor 在编码智能体中的应用。Ramp、Dream、Lila Sciences 和 R1 等也在定制化使用该模型。Atlassian、CrowdStrike、达索系统、Perplexity、Salesforce 和 Synopsys 等平台公司已集成该模型。
英伟达通过图表展示了合作伙伴倾向定制而非直接部署基础模型的原因。在文档智能、安全攻击韧性、财务收据提取、科学实验和医疗保险索赔五项评估中，后训练带来的改进幅度在 **9% 到 44%** 之间。浅绿色代表基础 Super VL，深绿色显示后训练后的增益。
在展示的比较中，生成的专用模型得分均高于在该任务上测试的指定 Claude 或 GPT 模型：
- **医疗索赔**：后训练后准确率从约 **28% 提升至 72%**，而 Claude Opus 5 在该评估中表现约为 **38%**。
- **安全攻击韧性**：从约 **35% 提升至 76%**，而 GPT-6.1 Sol 表现约为 **66%**。
需注意，这些是不同定制版本在专门任务上的表现，并非声称基础 Super VL 在所有方面均优于竞品。由于英伟达未提供任务定义、样本量或测试协议，买家应使用相同方法针对自身工作进行测试。
### 特定质量级别下的快速输出
英伟达称，Super VL 的速度比同类开源模型快多达五倍。其速度图表基于 Artificial Analysis 智能指数与每秒输出令牌数关系（输入令牌数为 10 万）。Super VL 智能指数约为 26，每秒输出令牌数接近 625。作为对比，智能指数相似的 Inkling Small 每秒约 125 个令牌。
英伟达表示，该数据是在四块 Blackwell B200 GPU 上测得。尽管 Super VL 在该分数下显得异常快速，但其综合智能指数（26 分）低于 GLM-5.3-Flash（42 分）和 Qwen3.8-Flash-Next（40 分）等其他开源模型。该指数结合专业工作、编码、科学和推理等 10 项评估，且单独评估图像输入，因此仅凭综合分数无法衡量 Super VL 完整的文档阅读能力。
此外，输出速度虽对长任务多次调用重要，但不等同于端到端任务耗时。读取输入、调用外部工具、检查结果和纠正错误均贡献总耗时。该图表仅在规定测试条件下建立生成速度对比，并未显示端到端工作流时间减少五倍。
### Bolt 将智能体工作引入小型系统
Bolt 74B-A9B 拥有 740 亿总参数，每次激活 90 亿参数。英伟达称，原生 2-bit 压缩使其能装入 24GB 内存，并在 RTX Spark 和 DGX Spark 系统上与其他应用并行运行。该模型旨在用于网络研究、写作和本地智能体工具调试代码等工作，无需将负载发送至云端。
英伟达称 Bolt 是 PinchBench 上同类别排名第一、BrowseComp 上排名第二的开源模型，但未给出具体分数或定义比较类别。该模型已在 Hugging Face 上线，支持 llama.cpp、Ollama、LM Studio 和 vLLM，兼容 GeForce RTX PC、DGX Station 和 RTX PRO 工作站。
Bolt E4B 将本地化门槛进一步降至 4GB，适用于语音助手、交互式角色和嵌入式接口。它支持多轮对话，并能在响应应用当前状态时使用工具，将于 10 月 23 日面向 GeForce RTX、Jetson 和 RTX/DGX Spark 发布。
### 开发者获取途径及生产成本
Super VL 和 Bolt 74B-A9B 的开源权重已在 Hugging Face 提供。英伟达列出 OpenRouter、ModelScope 和 NVIDIA NIM 为启动访问渠道。这些模型使用 **OpenMDW 许可证**，允许商业使用、微调及再分发。英伟达还发布了训练配方、数据集，并通过 NeMo 和技术架构指南提供定制资源。
开发者可免费使用速率限制的英伟达托管 API 进行开发，合作伙伴提供的托管 API 价格由各家自行设定。组织可从英伟达 NGC 目录下载 NIM 微服务。对于生产级产品，NVIDIA AI Enterprise 许可证报价为每 GPU 每年 4,500 美元。此为软件许可费，不包含运行 Super VL 所需的 GPU、托管和运营总成本。
Super VL 针对 Blackwell 和 Hopper 系统（包括 DGX Spark、DGX Station 和 RTX PRO 6000 Blackwell GPU）优化，也可在 Ampere 代 GPU 上运行。其训练总量约为预训练和继续预训练阶段共 26 万亿个令牌，380 万个后训练样本，以及在约 100 个开放环境中进行的强化学习。英伟达计划发布涵盖工具使用、金融、长上下文、安全性和视觉语言理解的数据集。
此次发布紧随英伟达收购 Hugging Face 协议之后。这笔约 129.3 亿美元的交易尚未完成，英伟达预计在获得监管批准并满足其他条件后，于 2027 年上半年完成交割。该公司承诺保持 Hugging Face 对其他模型制造商和芯片供应商开放。
对于企业开发者，尝试 Super VL 的理由在于测试自主适配和部署的模型能否准确读取文档并遵循程序，从而验证成本合理性。Bolt 则为希望保持本地化的工作提供单独测试方案。英伟达现已提供模型、访问渠道和生产软件价格以启动评估；合作伙伴示例和速度图表展示了潜在价值，而非保证所有部署均能实现的效果。