Nemotron 3.5 Super VL؛ مدل بینایی-زبانی متن‌باز انویدیا زیر ذره‌بین
هوش مصنوعیClaude Opus 5.5خلاصهٔ کامل‌تر
مدل Nemotron 3.5 Super VL یه مدل vision-language با وزن باز از انویدیاست. ۱۲۰ میلیارد پارامتر داره ولی با معماری mixture-of-experts (یعنی برای هر توکن فقط بخشی از پارامترها فعال می‌شن) تو هر مرحله فقط حدود ۱۲ میلیارد پارامتر کار می‌کنه. انویدیا این رو با لایه‌های Mamba 2 (یه نوع لایه state-space که برای متن‌های بلند بهینه‌ست) و لایه‌های attention ترکیب کرده. پنجره context تا ۱ میلیون توکن می‌رسه و مدل روی Hugging Face با فرمت‌های NVFP4 و BF16 در دسترسه.
تو این مقاله اومده که مدل به فریم‌ورک agent به اسم Hermes وصل شد و روی یه اپ سفارش عینک طبی تست شد. باگ اپ این بود که دو بیمار با نسخه یکسان، یکی با نمادگذاری plus-cylinder و یکی minus-cylinder، قیمت و ضخامت لنز متفاوت می‌گرفتن. مدل بدون هیچ سرنخی کد رو گشت، مشکل (آپدیت نشدن مقدار sphere تو تبدیل cylinder) رو پیدا کرد، درستش کرد، container رو دوباره build کرد و نتیجه رو هم چک کرد. ایرادش این بود که سه تا فایل سالم دیگه رو هم بی‌دلیل تغییر داد.
تو تست ترجمه، مدل یه تصویر از متن پرتغالی رو خوند و برای ۸۲ زبان یه عنوان سه‌کلمه‌ای ساخت. تو انگلیسی، اسپانیایی، فرانسوی و زبان‌های رایج خروجی تمیز بود، ولی برمه‌ای، پشتو، سندی و چند زبان آفریقایی به‌دردنخور دراومدن. نویسنده می‌گه این ضعف بین بیشتر مدل‌های امروزی مشترکه.
تو یه تست علمی، مدل نقشه دست‌کشیده یه فیلتر Sallen-Key رو خوند، همه مقدارهای دست‌نویس رو درست تشخیص داد و فرکانس قطع حدود ۷۵۰ هرتز رو درست حساب کرد. مهم‌تر اینکه فهمید پایه‌های ورودی op-amp برعکس وصل شدن و مدار کار نمی‌کنه. فقط توضیحش درباره علت خطا یه کم دقیق نبود.
ضعیف‌ترین نتیجه تو طراحی با کد بود. وقتی ازش خواستن یه طرح تتوی اژدها فقط با HTML و CSS بسازه، پرچم و پلاک و طلوع خورشید رو خوب کشید ولی خود اژدها اصلاً شبیه اژدها نشد. طبق مقایسه‌های خود انویدیا، این مدل تو تست‌های agentic و کدنویسی از Qwen3.8 Flash و GLM 5.2 Flash و DeepSeek عقب‌تره، ولی تو کارهای context بلند جلوتره و روی GPUهای انویدیا تقریباً دو برابر سریع‌تر اجرا میشه.
نکات کلیدی:
- ۱۲۰ میلیارد پارامتر کل، حدود ۱۲ میلیارد پارامتر فعال در هر مرحله
- معماری ترکیبی mixture-of-experts با لایه‌های Mamba 2 و attention
- ورودی متن، تصویر و ویدیو، با پنجره context تا ۱ میلیون توکن
- وزن‌های باز روی Hugging Face با فرمت‌های NVFP4 و BF16
- باگ واقعی اپ رو بدون راهنمایی درست کرد، ولی سه فایل سالم رو هم بی‌دلیل تغییر داد
- تو زبان‌هایی مثل برمه‌ای، پشتو و سندی خروجی غیرقابل‌استفاده داشت
- تو بنچمارک‌های کدنویسی از Qwen3.8 Flash، GLM 5.2 Flash و DeepSeek عقب‌تره، ولی حدود دو برابر سریع‌تره
