NVIDIA Onthult Nieuwe Open AI Modellen voor Agents Over de Stack

NVIDIA heeft zojuist de Nemotron 3.5 Super VL gelanceerd, een open model met 120 miljard parameters, plus twee nieuwe edge-georiënteerde modellen: Nemotron 3.5 Bolt 74B-A9B 24GB en Nemotron 3.5 Bolt E4B 4GB. Hiermee zegt NVIDIA dat de Nemotron line-up nu het spectrum dekt—of je nu agents draait op bedrijfsservers of implementeert op slanke edge-apparaten. Super VL en Bolt 74B-A9B zijn onmiddellijk beschikbaar; Bolt E4B verschijnt op 23 oktober.

Wat is Nieuw: Details over Nemotron 3.5 Super VL en Bolt Modellen

Dit springt eruit: Nemotron 3.5 Super VL is ontworpen in samenwerking met de Nemotron Coalition. Het is een open-gewicht model met 120B parameters dat zich richt op taken met hoge nauwkeurigheid—instructies opvolgen, toolintegratie, multistep workflows en het lezen van visuele documenten. NVIDIA beweert dat Super VL overeenkomt met hun grootste redeneermodel qua nauwkeurigheid, maar de grootte tot een vijfde verkleint, en op de Artificial Analysis Intelligence Index ranglijst levert het tot 5x de doorvoer vergeleken met concurrenten.

Het open formaat betekent dat je het model kunt bijtrainen met jouw data en het op jouw eigen stack kunt draaien.

Op de edge is Bolt 74B-A9B 24GB gebouwd voor lokale agenttaken, met 2-bit kwantisatie om in 24GB geheugen te passen. Dat maakt het geschikt voor RTX en DGX Spark systemen, waarmee je dagelijkse agenttaken—webonderzoek, schrijven, code-debugging—zonder de cloud kunt afhandelen. NVIDIA zegt dat Bolt 74B-A9B zijn klasse leidt op PinchBench en tweede staat op BrowseComp.

Dan is er Bolt E4B 4GB, dat zich richt op snelle edge-implementaties—denk aan conversatie-agents en interactieve karakters op GeForce RTX, Jetson, en RTX/DGX Spark. Afgestemd op intelligentie per gigabyte, is het gericht op spraakassistenten en ingebedde interfaces. Het wordt uitgerold op 23 oktober en is bedoeld voor apparaten met strikte geheugenbudgetten, waardoor het praktisch is voor ingebedde of real-time gebruik waar snelheid en efficiëntie het belangrijkst zijn.

Al deze modellen voegen zich bij de bestaande Nemotron line-up: Lightning (behandelt hoge doorvoer), Ultra (voor complexe redenering), en de originele Bolt (voor edge-intelligentie). Nu strekt Nemotron zich uit van krachtige datacenters tot consumentenhardware, waardoor organisaties een menu van opties hebben—zonder hen uit te sluiten van openheid of fijn afstemmen.

Waarom Dit Belangrijk Is: Open, Aanpasbare AI voor Echte Zakelijke Agents

Dit is een grote stap van NVIDIA voor iedereen die AI agents wil die zijn afgestemd op hun bedrijf, maar niet wil worden opgesloten door gesloten, door leveranciers gecontroleerde modellen. Met open gewichten en datasets kun je deze modellen aanpassen en bijtrainen om te passen bij jouw eigen tools, data en workflow—of je nu verzekeringsclaims, financiële analyses, gezondheidszorg of SaaS afhandelt. Bijvoorbeeld, verzekerings teams zouden fraude-detectie intern kunnen uitvoeren, waardoor data privé blijft.

Banken zouden kredietanalyse-agents kunnen inzetten die hun eigen uitleenregels weerspiegelen, zonder een byte naar de cloud te sturen.

De vision-taal capaciteiten in Nemotron 3.5 Super VL zijn een echte overwinning voor elke agent die met echte documenten werkt. Het leest webpagina's, haalt tekst eruit, ontcijfert grafieken en tabellen, en retourneert gestructureerde inzichten. Aangezien het zowel tekst als visuals in één keer kan verwerken, hoef je geen data tussen aparte modellen te verplaatsen—wat snellere resultaten en betere context betekent terwijl je van document naar beslissing gaat.

Stel je een agent voor die een PDF-contract doorneemt, de belangrijke clausules vindt, en deze controleert met grafieken in de bijlagen—allemaal in één inferentiepass.

Sommige organisaties die al Super VL aanpassen zijn:

  • Scale AI, voor Skydance’s leverancier krediet financieringsagent en EY’s M&A due diligence agent
  • AfterQuery, voor Hebbia’s kredietovereenkomstanalyse
  • AI21 en Alice, voor cyberbeveiligingsaanval weerbaarheid
  • Mercor, voor software codering agents met behulp van APEX-SWE benchmarks
  • Ramp, voor financiële documentintelligentie
  • Dream, voor AI-gestuurde cyberbeveiligingsonderzoek
  • Lila Sciences, voor wetenschappelijke ontdekkingen
  • R1, voor medische claimsanalyse
  • TrainLoop, voor dermatologie data toepassingen, inclusief Nolla’s AI-gestuurde receptschrijven

Belangrijke softwareplatforms—Atlassian, CrowdStrike, Dassault Systèmes, Perplexity, Salesforce, en Synopsys—integreren ook Super VL in taken zoals agentisch zoeken en chipontwerp verificatie. Atlassian gebruikt het bijvoorbeeld om zoeken over Jira en Confluence te ondersteunen, terwijl Salesforce complexe overheidsworkflows automatiseert in veilige omgevingen via Missionforce Operations. Je kunt zien hoe deze open modellen zich aanpassen aan branchespecifieke behoeften in echte productie, niet alleen demo's.

Hoe Deze Modellen in Jouw Bedrijf te Gebruiken

Als je de Nemotron 3.5 modellen voor jouw eigen AI agents overweegt, hier is een eenvoudige weg:

  1. Pak de open gewichten voor Super VL of Bolt van Hugging Face, ModelScope, of Open Router. Je vindt de officiële documentatie op NVIDIA’s Nemotron pagina. Deze repositories wijzen je ook naar community-hulp en how-tos.
  2. Stem het model af met NVIDIA NeMo, Python-pijplijnen, of open datasets. NVIDIA publiceert datasets op Hugging Face die toolgebruik, financiën, instructies opvolgen, lange context, eerlijkheid, en vision-taal dekken. Je kunt fijn afstemmen met jouw privédata en tools om de beste resultaten voor jouw vakgebied te krijgen.
  3. Implementeer op welke hardware ook maar geschikt is voor jouw schaal—DGX Spark, DGX Station, RTX PRO, GeForce RTX PC's, of Jetson. Bolt-modellen zijn gericht op edge en werkstations; Super VL is het beste voor hoge-volume, enterprise taken. Voor ontwikkelaars werkt Bolt 74B-A9B 24GB goed samen met agent-harnassen en populaire tools zoals llama.cpp, Ollama, LM Studio, Unsloth, Canonical, en vLLM, zodat je niet in een hoek wordt gedreven.
  4. In productie, overweeg NVIDIA NIM, dat het model als een microservice bundelt met afgestemde configuraties en regelmatige prestatie-/beveiligingsupdates. NIM biedt enterprise-niveau implementatie—beveiligingspatches elke twee weken, prestatieverbeteringen, en capaciteit om tot 8x meer gebruikers te bedienen met 85% lagere latentie op NVIDIA Dynamo backends.
  5. Maak gebruik van de community: technische blogs, architectuurgidsen, video-tutorials, livestreams, en forums. NVIDIA’s bronnen kunnen je helpen sneller te bewegen en veelvoorkomende valkuilen te vermijden terwijl je deze modellen uitrolt.

Hoe Nemotron 3.5 Super VL Is Gebouwd en Getraind

De training van Nemotron 3.5 Super VL omvatte ongeveer 26 triljoen tokens—dekt zowel initiële als voortdurende pretraining—vervolgens bijtraining met ongeveer 3,8 miljoen monsters, plus versterkend leren in tientallen omgevingen. Dit zware regime is gericht op het opbouwen van sterke multimodale redenering, instructies opvolgen, en toolgebruik. NVIDIA publiceert ook open datasets op Hugging Face voor alles van toolgebruik en financiën tot vision-taal en eerlijkheid, evenals RL-omgevingen in NeMo Gym.

Dat betekent dat je de training kunt repliceren of uitbreiden voor jouw eigen aangepaste gebruiksgevallen.

Als je ontwikkelt of onderzoek doet, betekenen open gewichten, datasets, en trainingsrecepten dat je de volledige modelcyclus kunt beheersen—testen, experimenteren, en naar productie gaan, intern of met partners, zonder vendor lock-in. Dat is een grote zaak voor industrieën met nalevings- of dataresidentie regels, zoals gezondheidszorg, financiën, en overheid.

Mijn Perspectief: De Voordelen en de Trade-offs

Hier is mijn mening: NVIDIA’s open benadering is verfrissend. Open gewichten, data, en recepten laten je daadwerkelijk jouw AI-implementatie bezitten—niet iets wat je krijgt met de meeste cloudmodellen. Je kunt bijtrainen op jouw data, alles on-prem houden, en de vakjes voor beveiliging en naleving aanvinken—vooral belangrijk voor gereguleerde sectoren of iedereen met gevoelige workflows.

Maar je moet de trade-offs kennen. Het lokaal draaien van de grotere modellen betekent dat je serieuze hardware nodig hebt—DGX Spark, RTX PRO, of vergelijkbaar. Bolt-modellen maken edge-gebruik toegankelijker, maar je hebt nog steeds NVIDIA GPU's nodig.

Er is ook een leercurve: fijn afstemmen, implementatie, en het beheren van inferentie-pijplijnen vereisen allemaal technische vaardigheden. En hoewel NVIDIA top scores op benchmarks prijst, zullen jouw echte resultaten afhangen van jouw eigen data en behoeften.

En onthoud: open modellen zijn slechts zo veilig als jouw implementatie. Sterke MLOps en beveiligingspraktijken zijn een must, anders kunnen de voordelen van on-prem controle averechts werken. Investeer in monitoring, strikte toegangscontroles, en regelmatige updates om alles veilig en betrouwbaar te houden.

De Conclusie

NVIDIA’s uitgebreide Nemotron 3.5 suite brengt open, aanpasbare AI agentmodellen binnen handbereik—als je de juiste apparatuur en knowhow hebt. Als het voor jou belangrijk is om jouw data te controleren, modellen af te stemmen op jouw bedrijf, en flexibel te implementeren tussen cloud en edge, is het de moeite waard om te bekijken. Met open toegang, solide prestaties, en ondersteuning voor branchespecifieke afstemming, lijkt Nemotron 3.5 goed gepositioneerd voor de volgende golf van zakelijke AI agents.