NVIDIAは2026年10月15日、文章・画像・文書・動画を理解し、推論や外部ツールの操作も行えるAIモデル「Nemotron 3.5 Super VL」を公開しました。資料を読み、情報を照合し、必要な処理を進めるといった、複数の手順を伴うAIエージェント向けのモデルです。

モデルの重みが公開されており、企業や開発者は自分たちのデータで追加学習させたり、自社の設備で動かしたりできます。

資料を読んで、その先の作業まで進める

特徴は、文章を扱う能力と、画像や動画を読み取る能力を一つにまとめたことです。

例えば、PDF内のグラフを読み、別のページにある表と照合して、結果を報告書にまとめる使い方ができます。領収書の画像から店名・日付・支払い情報を取り出す処理や、動画から必要な情報を抽出する用途にも対応します。

外部の検索機能やプログラム実行環境と組み合わせれば、情報の確認や計算を挟みながら作業を進められます。画像の読み取り用と文章の処理用で別々のモデルを用意する必要を減らせる点が、開発者にとっての利点です。

グラフ読解は80.8%、処理量は最大5倍

NVIDIAの公式評価では、グラフの内容を読み解く能力を測る「CharXiv」で80.8%を記録しました。比較対象のNemotron 3 Nano Omniは63%で、17.8ポイント上回っています。Pythonによる計算を併用した場合は84%に達しました。

エージェントとしての動作を評価する「Hermes Bench」では63.44%で、より大規模なNemotron 3 Ultraの56.33%を上回りました。特定の評価では、モデルの大きさだけで性能が決まらないことを示しています。

速度面では、同程度の規模の公開モデルと比べ、単一GPUでのエージェント処理量が最大5倍になるとしています。ただし、これはNVIDIAが示した条件での比較です。検索先の応答時間なども関係するため、実際の仕事がすべて5倍速く終わるという意味ではありません。

モデルの規模を表すパラメーター数は約1,200億ですが、処理のたびに使うのは約120億です。「MoE」という、入力に応じて必要な部分を選んで動かす仕組みで、能力と計算効率の両立を狙っています。

モデルの仕様上は最大100万トークンの文脈に対応します。トークンは文章などを処理する単位で、長い資料や作業履歴をまとめて扱うための容量に当たります。ただし、提供サービス側で利用できる長さは異なり、NVIDIAの試用ページには262Kという表示もあります。

主な対象は、業務用AIを作る企業や開発者です。自社の用語や社内規則、使っているツールに合わせて追加学習させ、専門的な作業に適応させられます。

例えば、経費処理なら領収書の読み取り項目、問い合わせ対応なら返品規則などを学ばせる使い方です。自社環境への導入も可能なため、機密情報の取り扱いに合わせて運用場所を選べます。

Nemotron 3.5 Super VLは、発表日の10月15日から提供されています。

まず試す場合は、NVIDIAのモデル試用ページで「nemotron-3.5-super-vl-120b-a12b」を選びます。開発者向けには無料の試用APIも用意されており、APIキーを取得してアプリから呼び出せます。

モデルを自分の環境で動かす場合は、Hugging Faceなどから重みを取得できます。商用利用にも対応していますが、ライセンス条件の確認が必要です。

無料の試用APIと、本番運用の費用は別です。外部サービス経由では提供元の料金、自社運用ではGPUなどの設備費がかかります。

------------------------------------------------------------------------

確認した公式情報：発表・提供状況、技術評価、モデル仕様、試用API。