英伟达|新开源模型能看图读文档看视频,专为AI智能体打造

10 月 15 日，英伟达在 X 上发布了 Nemotron 家族的新成员 Nemotron 3.5 Super VL。这是一款开源模型，能同时处理文字、图片、文档和视频，主要给需要长时间干活的 AI 智能体用。

他到底说了什么

主帖的核心意思是：「我们的新开源模型把推理、工具调用，以及对文本、图像、文档和视频的理解结合在一起，面向长时间运行的 AI 智能体。」

这句话里有几个词需要解释一下。开源模型指模型的权重公开，企业和开发者可以下载到自己的服务器上运行和改造，不必通过别人的接口调用。AI 智能体（Agent）指的不是只回答问题的聊天机器人，而是能自己拆解任务、调用各种软件工具、连续干好几步活的 AI。工具调用就是模型能主动去用搜索、代码执行、数据库这类外部工具。

名字里的 VL 是 Vision-Language（视觉-语言）的缩写，意思是它不光能读字，还能看懂图片、扫描件和视频。对智能体来说，这一点很实用：现实工作里有大量 PDF、截图、表格和录屏，只会读纯文字的模型很难处理。

参数方面，英伟达给出的数字是「总参数 1200 亿，每次只激活 120 亿」。这是一种叫混合专家（MoE）的结构：模型内部有很多「专家」模块，每次只调用其中一小部分。好处是模型知识容量大，实际运行时却省算力、速度快。

在同一天的另一条帖子里，英伟达说这款模型能帮智能体「用更少时间完成更多工作」，还强调「开源模型意味着更多掌控权，可以按自己的方式定制、部署和开发」。

为什么重要

英伟达最主要的生意是卖 GPU，自己做模型并且开源，看起来有点「不务正业」，背后其实有它的算盘。开源模型可以免费下载，用的人越多，在自家机房里跑模型的企业也越多，而这些机房大多需要英伟达的芯片。

这不是孤立的动作。就在前一天，英伟达还宣布把 GPU 调度平台 Run:ai 完整开源，用来提高 GPU 利用率和任务吞吐量。马斯克转发了这条消息。从模型到调度软件都开放出来，英伟达是想把整套「AI 工厂」的门槛降低，让更多公司愿意搭建自己的 AI 基础设施。

再看竞争格局。这一周里，几家大厂的旗舰模型密集发布，而且都在押注智能体，Nemotron 3.5 Super VL 正好赶在这个时间点上。

各方怎么看

10 月 13 日，Meta 发布了新一代前沿模型 Muse Wonder，Alexandr Wang 称它「在个人智能体和专业智能体上达到业界最强」，还说它是 Meta 迄今最大、最强的模型。

第三方评测机构 Artificial Analysis 给出的智能指数是：Muse Wonder 52 分，Muse Wonder Full 56 分。不过它走的是闭源付费路线，API 价格为每百万输入 token 4 美元、输出 20 美元，加强版 Full 目前只开放给 Muse Code 用户使用。Muse Wonder 同样支持文本、图像、视频和音频输入。

谷歌这边，Gemini 4 Argon 同样在这周上线。哈萨比斯称它「非常适合知识工作和编程」，皮查伊转发的演示里，一段鹈鹕骑自行车的视频和配乐都由 Argon 生成，用来展示它对物理世界的理解能力。

对比下来，路线差别很明显：Meta 和谷歌把最强的模型放在自家 API 和订阅服务里，英伟达则把多模态智能体模型直接开源，让大家自己部署。

对我们意味着什么

对普通用户来说，短期内感受不会太直接，但以后用到的各类 AI 助手，背后可能就跑着这类开源模型。对国内公司和国产模型团队来说，又多了一个可以下载、可以微调的多模态底座，在开源赛道上也多了一个分量很重的对手。对开发者来说，「12B 激活参数」意味着部署成本相对可控，中小团队也有机会做能看懂文档和视频的智能体产品。

卖铲子的人开始免费送图纸，这门生意算得很精。

参考来源：NVIDIA（X） 在 X 的帖子 https://x.com/NVIDIAAI/status/2110749836450713896

本文由 AI 辅助整理，内容编译自海外公开播客与社交媒体，观点归原作者所有。