NVIDIA Dévoile de Nouveaux Modèles IA Ouverts pour Agents à Travers la Pile

NVIDIA vient de lancer Nemotron 3.5 Super VL, un modèle ouvert de 120 milliards de paramètres, ainsi que deux nouveaux modèles orientés vers la périphérie : Nemotron 3.5 Bolt 74B-A9B 24GB et Nemotron 3.5 Bolt E4B 4GB. Avec ces modèles, NVIDIA affirme que la gamme Nemotron couvre désormais tout le spectre—que vous exécutiez des agents sur des serveurs d'entreprise ou que vous déployiez sur des dispositifs en périphérie. Super VL et Bolt 74B-A9B sont disponibles immédiatement ; Bolt E4B sera disponible le 23 octobre.

Quoi de Neuf : Détails sur les Modèles Nemotron 3.5 Super VL et Bolt

Voici ce qui ressort : Nemotron 3.5 Super VL est conçu en collaboration avec la Coalition Nemotron. C'est un modèle ouvert de 120B paramètres ciblant des tâches agentiques à haute précision—suivi d'instructions, intégration d'outils, flux de travail multistep, et lecture de documents visuels. NVIDIA affirme que Super VL égalise leur plus grand modèle de raisonnement en termes de précision, mais réduit la taille à un cinquième, et sur le tableau de classement de l'Artificial Analysis Intelligence Index, il offre jusqu'à 5x le débit par rapport à ses pairs.

Le format ouvert signifie que vous pouvez former le modèle avec vos données et l'exécuter sur votre propre pile.

Sur la périphérie, le Bolt 74B-A9B 24GB est conçu pour des travaux agentiques locaux, utilisant une quantification à 2 bits pour tenir dans 24 Go de mémoire. Cela le rend adapté aux systèmes RTX et DGX Spark, vous permettant de gérer les tâches quotidiennes des agents—recherche web, rédaction, débogage de code—sans le cloud. NVIDIA affirme que le Bolt 74B-A9B est le leader de sa catégorie sur PinchBench et se classe deuxième sur BrowseComp.

Ensuite, il y a le Bolt E4B 4GB, qui cible les déploiements rapides en périphérie—pensez aux agents conversationnels et aux personnages interactifs sur GeForce RTX, Jetson, et RTX/DGX Spark. Optimisé pour l'intelligence par gigaoctet, il est destiné aux assistants vocaux et aux interfaces intégrées. Il sera lancé le 23 octobre et est destiné aux dispositifs avec des budgets mémoire serrés, ce qui le rend pratique pour une utilisation intégrée ou en temps réel où la vitesse et l'efficacité sont primordiales.

Tous ces modèles rejoignent la liste existante de Nemotron : Lightning (gère un haut débit), Ultra (pour un raisonnement complexe), et l'original Bolt (pour l'intelligence en périphérie). Ainsi, Nemotron s'étend désormais des centres de données puissants au matériel grand public, offrant aux organisations un éventail d'options—sans les enfermer dans des modèles fermés ou des ajustements fins.

Pourquoi Cela Compte : IA Ouverte et Personnalisable pour des Agents d'Affaires Réels

C'est un grand changement de la part de NVIDIA pour quiconque souhaite des agents IA adaptés à son entreprise, mais ne veut pas être enfermé par des modèles fermés et contrôlés par des fournisseurs. Avec des poids et des ensembles de données ouverts, vous pouvez ajuster et former ces modèles pour qu'ils s'adaptent à vos propres outils, données et flux de travail—que vous gériez des réclamations d'assurance, des analyses financières, des soins de santé ou des SaaS. Par exemple, les équipes d'assurance pourraient exécuter la détection de fraude en interne, gardant les données privées.

Les banques pourraient déployer des agents d'analyse de crédit qui reflètent leurs propres règles de prêt, sans envoyer un octet vers le cloud.

Les capacités de vision-langage dans Nemotron 3.5 Super VL sont un véritable atout pour tout agent travaillant avec des documents réels. Il lit des pages web, extrait du texte, déchiffre des graphiques et des tableaux, et retourne des insights structurés. Puisqu'il peut gérer à la fois du texte et des visuels en une seule fois, vous n'avez pas besoin de faire passer des données entre des modèles séparés—ce qui signifie des résultats plus rapides et un meilleur contexte lorsque vous passez du document à la décision.

Imaginez un agent analysant un contrat PDF, trouvant les clauses importantes, et les vérifiant avec des graphiques dans les pièces jointes—tout cela en un seul passage d'inférence.

Quelques organisations qui personnalisent déjà Super VL incluent :

  • Scale AI, pour l'agent de financement de crédit fournisseur de Skydance et l'agent de diligence raisonnable M&A d'EY
  • AfterQuery, pour l'analyse des accords de crédit d'Hebbia
  • AI21 et Alice, pour la résilience aux attaques de cybersécurité
  • Mercor, pour des agents de codage logiciel utilisant des benchmarks APEX-SWE
  • Ramp, pour l'intelligence des documents financiers
  • Dream, pour la recherche en cybersécurité alimentée par l'IA
  • Lila Sciences, pour la découverte scientifique
  • R1, pour l'analyse des réclamations médicales
  • TrainLoop, pour des applications de données en dermatologie, y compris l'écriture d'ordonnances alimentée par l'IA de Nolla

Des plateformes logicielles majeures—Atlassian, CrowdStrike, Dassault Systèmes, Perplexity, Salesforce, et Synopsys—intègrent également Super VL dans des tâches telles que la recherche agentique et la vérification de conception de puces. Atlassian, par exemple, l'utilise pour alimenter la recherche à travers Jira et Confluence, tandis que Salesforce automatise des flux de travail gouvernementaux complexes dans des environnements sécurisés via Missionforce Operations. Vous pouvez voir comment ces modèles ouverts s'adaptent aux besoins spécifiques de l'industrie dans une production réelle, pas seulement des démos.

Comment Utiliser Ces Modèles dans Votre Entreprise

Si vous envisagez les modèles Nemotron 3.5 pour vos propres agents IA, voici un chemin simple :

  1. Récupérez les poids ouverts pour Super VL ou Bolt depuis Hugging Face, ModelScope, ou Open Router. Vous trouverez la documentation officielle sur la page Nemotron de NVIDIA. Ces dépôts vous orienteront également vers l'aide communautaire et les tutoriels.
  2. Ajustez le modèle en utilisant NVIDIA NeMo, des pipelines Python, ou des ensembles de données ouverts. NVIDIA publie des ensembles de données sur Hugging Face couvrant l'utilisation d'outils, la finance, le suivi d'instructions, le long contexte, l'équité, et la vision-langage. Vous pouvez affiner avec vos données privées et vos outils pour obtenir les meilleurs résultats pour votre domaine.
  3. Déployez sur le matériel qui convient à votre échelle—DGX Spark, DGX Station, RTX PRO, PC GeForce RTX, ou Jetson. Les modèles Bolt ciblent la périphérie et les stations de travail ; Super VL est le mieux adapté pour des tâches d'entreprise à fort volume. Pour les développeurs, le Bolt 74B-A9B 24GB fonctionne bien avec des harnais d'agents et des outils populaires comme llama.cpp, Ollama, LM Studio, Unsloth, Canonical, et vLLM, donc vous n'êtes pas enfermé dans un coin.
  4. En production, envisagez NVIDIA NIM, qui regroupe le modèle en tant que microservice avec des configurations ajustées et des mises à jour régulières de performance/sécurité. NIM apporte un déploiement de niveau entreprise—patches de sécurité toutes les deux semaines, ajustements de performance, et capacité de servir jusqu'à 8x plus d'utilisateurs avec 85% de latence en moins sur les backends NVIDIA Dynamo.
  5. Accédez à la communauté : blogs techniques, guides d'architecture, tutoriels vidéo, livestreams, et forums. Les ressources de NVIDIA peuvent vous aider à avancer plus rapidement et à éviter les pièges courants lors de la mise en œuvre de ces modèles.

Comment Nemotron 3.5 Super VL a été Construit et Entraîné

L'entraînement de Nemotron 3.5 Super VL a impliqué environ 26 trillions de tokens—couvrant à la fois le pré-entraînement initial et continu—puis un post-entraînement avec environ 3,8 millions d'échantillons, plus un apprentissage par renforcement à travers des dizaines d'environnements. Ce régime intensif vise à construire un raisonnement multimodal solide, le suivi d'instructions, et l'utilisation d'outils. NVIDIA publie également des ensembles de données ouverts sur Hugging Face pour tout, de l'utilisation d'outils et de la finance à la vision-langage et à l'équité, ainsi que des environnements RL dans NeMo Gym.

Cela signifie que vous pouvez répliquer ou étendre l'entraînement pour vos propres cas d'utilisation personnalisés.

Si vous développez ou recherchez, des poids ouverts, des ensembles de données, et des recettes d'entraînement signifient que vous pouvez contrôler l'ensemble du cycle de vie du modèle—tester, expérimenter, et passer à la production, en interne ou avec des partenaires, sans verrouillage fournisseur. C'est un gros avantage pour les industries avec des règles de conformité ou de résidence des données, comme la santé, la finance, et le gouvernement.

Mon Point de Vue : Les Avantages et les Compromis

Voici mon avis : l'approche ouverte de NVIDIA est rafraîchissante. Des poids, des données, et des recettes ouverts vous permettent réellement de posséder votre déploiement IA—ce qui n'est pas le cas avec la plupart des modèles cloud. Vous pouvez post-entraîner sur vos données, garder les choses sur site, et cocher les cases pour la sécurité et la conformité—surtout important pour les secteurs réglementés ou quiconque avec des flux de travail sensibles.

Mais vous devez connaître les compromis. Exécuter les plus grands modèles localement signifie que vous avez besoin d'un matériel sérieux—DGX Spark, RTX PRO, ou similaire. Les modèles Bolt rendent l'utilisation en périphérie plus accessible, mais vous aurez toujours besoin de GPU NVIDIA.

Il y a aussi une courbe d'apprentissage : l'ajustement fin, le déploiement, et la gestion des pipelines d'inférence nécessitent toutes des compétences techniques. Et bien que NVIDIA vante des scores élevés sur les benchmarks, vos résultats dans le monde réel dépendront de vos propres données et besoins.

Et rappelez-vous : les modèles ouverts ne sont aussi sécurisés que votre déploiement. De solides pratiques MLOps et de sécurité sont indispensables, sinon les avantages du contrôle sur site pourraient se retourner contre vous. Investissez dans la surveillance, des contrôles d'accès stricts, et des mises à jour régulières pour garder les choses sécurisées et fiables.

Conclusion

La suite élargie Nemotron 3.5 de NVIDIA apporte des modèles d'agents IA ouverts et personnalisables à portée de main—si vous avez le bon matériel et le savoir-faire. Si contrôler vos données, ajuster les modèles à votre entreprise, et déployer de manière flexible entre le cloud et la périphérie vous importent, cela vaut le coup d'œil. Avec un accès ouvert, des performances solides, et un soutien pour un ajustement spécifique à l'industrie, Nemotron 3.5 semble bien positionné pour la prochaine vague d'agents IA d'affaires.