Nemotron 3.5 Super VL: parâmetros ativos não são o orçamento de memória

A NVIDIA lançou Nemotron 3.5 Super VL, modelo multimodal de pesos abertos com arquitetura mixture-of-experts de 120 bilhões de parâmetros totais e 12 bilhões ativos por token.[8] A proposta reúne texto, imagens, documentos, vídeo, raciocínio e ferramentas em fluxos especializados.[8] O número de parâmetros ativos ajuda a discutir trabalho por token, mas não deve ser usado sozinho para dimensionar a memória da instalação.

O que muda para quem desenvolve

A empresa disponibiliza checkpoints de base, pós-treinados e quantizados, além de receitas e ambientes para especialização.[8] O treinamento visual cobre OCR, gráficos, tabelas, documentos de várias páginas e vídeo.[8] Para quem mantém automação documental, isso abre uma hipótese de arquitetura: avaliar um único modelo em tarefas que hoje exigem transferir contexto entre componentes distintos.

Nos resultados publicados pela NVIDIA, CharXiv chega a 80,8%, ou 84% com interpretação de código Python.[8] A tabela também informa 63,44% no Hermes Bench e 87,05% nas avaliações comportamentais da LangChain.[8] São medições do fornecedor, em avaliações específicas, e não prova de confiabilidade no documento que sua aplicação recebe.

A análise prática deve separar três perguntas: o modelo entende o material, usa a ferramenta correta e produz uma saída verificável? Uma boa média em um benchmark não responde sozinha a nenhuma delas no contexto do produto.

Como aplicar

Monte um conjunto pequeno de documentos sintéticos ou anonimizados com tabelas, imagens e páginas de qualidade desigual. Defina previamente os campos esperados e como conferir cada um. Inclua casos incompletos em que o comportamento desejado seja declarar incerteza.

Compare o modelo com a solução atual usando os mesmos arquivos e regras. Meça acerto por campo, erros que passam despercebidos, necessidade de revisão humana, latência e custo por documento aceito. Para ações externas, mantenha uma validação determinística entre a interpretação e o efeito.

Comece com acesso hospedado ou infraestrutura temporária, sem pressupor compatibilidade com hardware doméstico. Só depois faça o dimensionamento de pesos, contexto, concorrência e utilização esperada. Se houver quantização, repita o conjunto de avaliação nessa configuração em vez de transportar os resultados de outra precisão.

Cuidados e limites

A NVIDIA relata até 2,3 vezes mais velocidade de geração com LiLiCorr no DGX Spark e apresenta outros ganhos em um cenário com 16 GPUs B200.[8] Alguns resultados de parceiros são projeções, como expectativas de throughput e latência da Ramp.[8] Esses recortes não devem virar orçamento para uma única GPU ou promessa comercial.

Minha recomendação é tratar multimodalidade integrada como uma possibilidade de simplificação, não como garantia de economia. Um serviço único também concentra capacidade e falhas. Antes de adotá-lo, defina como degradar a operação, encaminhar documentos difíceis para revisão e recuperar uma tarefa interrompida sem repetir efeitos. A decisão deve sair do teste da aplicação, não do destaque do lançamento.

Fonte

[8] Fonte: NVIDIA Technical Blog. Publicação: 15/10/2026 às 15:01:00.