O Nemotron 3.5 Super VL é melhor que o Claude Opus 5 e o GPT-6.1 Sol?

Só em tarefas específicas e depois de pós-treino. Segundo o VentureBeat, versões ajustadas superaram o Claude Opus 5 em sinistros de saúde e o GPT-6.1 Sol em resistência a ataques. A Nvidia não divulgou o protocolo desses testes, e o modelo base não supera os fechados de forma geral.

O que a Nvidia liberou junto com o modelo?

Pesos, conjuntos de dados, receitas de treino e ambientes de aprendizado por reforço no NeMo Gym. A licença é a OpenMDW, que permite uso comercial, ajuste fino e redistribuição.

Quando sai o Nemotron 3.5 Bolt E4B?

Em 23 de outubro de 2026. É um modelo de 4 GB para assistentes de voz e agentes em aparelhos, com suporte a GeForce RTX, Jetson e RTX e DGX Spark.

Nvidia abre o Nemotron 3.5 Super VL, de 120 bilhões

Capa do Watcher com o título Nvidia abre modelo para agentes que leem PDFs — Watcher, a curadoria diária de notícias de tecnologia da Marcio.AI.

A Nvidia lançou na quinta, 15 de outubro, o Nemotron 3.5 Super VL, modelo aberto de 120 bilhões de parâmetros para agentes corporativos que leem PDFs, tabelas, gráficos e páginas web. A empresa liberou pesos, conjuntos de dados e receitas de treino e diz que o modelo é até cinco vezes mais rápido que o melhor rival aberto da mesma classe. No mesmo anúncio vieram dois modelos para máquinas locais: o Bolt 74B-A9B, que cabe em 24 GB de memória e sai junto com os notebooks RTX Spark, e o Bolt E4B, de 4 GB, que chega em 23 de outubro.

Em resumo

Super VL: 120 bilhões de parâmetros no total e 12 bilhões ativos por token, em arquitetura de mistura de especialistas. Lê texto, imagem e vídeo curto e responde em texto.
Aberto de verdade: pesos, dados de treino, receitas e ambientes de aprendizado por reforço publicados. Licença OpenMDW, que permite uso comercial, segundo o VentureBeat e o MarkTechPost.
Velocidade: cerca de 625 tokens por segundo no teste da Artificial Analysis, contra cerca de 125 do Inkling Small, segundo o VentureBeat. Daí sai o “cinco vezes”.
Bolt: o 74B-A9B ativa 9 bilhões de parâmetros e roda em 24 GB. O E4B tem 4 GB e mira assistentes de voz e aparelhos, a partir de 23/10.
Leitura: a Nvidia quer que o agente corporativo rode em modelo aberto treinado pelo próprio cliente, de preferência em GPU dela, do notebook ao data center.

O que a Nvidia lançou?

O Super VL é um modelo de visão e linguagem. Pelo blog técnico da Nvidia, ele tem 120 bilhões de parâmetros e ativa 12 bilhões por token. A arquitetura é híbrida. O MarkTechPost detalha camadas que alternam Mamba-2, mistura de especialistas e atenção, com 512 especialistas por camada, codificador de visão C-RADIO e contexto de até 1 milhão de tokens. Ele aceita texto, imagem e vídeos de até 2 minutos.

O foco é documento. A Nvidia diz que o modelo lê páginas web e PDFs, extrai texto, interpreta gráficos e tabelas e devolve conclusões. No CharXiv, teste de leitura de gráficos, o blog técnico dá 80,8%, contra 63% do Nemotron 3 Nano Omni, e 84% quando o modelo pode rodar código Python. A tabela do MarkTechPost traz 79,88 para a versão comprimida em NVFP4, o que explica a pequena diferença.

O treino usou cerca de 26 trilhões de tokens e 3,8 milhões de amostras de pós-treino. Aqui as fontes divergem num ponto. O blog principal da Nvidia fala em aprendizado por reforço em dezenas de ambientes. O VentureBeat fala em cerca de 100 ambientes abertos. O modelo foi destilado do Nemotron 3 Ultra, que tem 550 bilhões de parâmetros, segundo o MarkTechPost. A Nvidia diz que o Super VL chega perto do Ultra com cerca de um quinto do tamanho.

O modelo aberto bate o Claude e o GPT?

Só em tarefas específicas e depois de treino adicional. O VentureBeat deixou isso claro. Num gráfico da Nvidia com cinco avaliações, versões do Super VL ajustadas para cada tarefa ganharam de 9% a 44% sobre o modelo base. Em sinistros de seguro saúde, a precisão subiu de cerca de 28% para 72%, contra cerca de 38% do Claude Opus 5. Em resistência a ataques, subiu de cerca de 35% para 76%, contra cerca de 66% do GPT-6.1 Sol.

O próprio VentureBeat aponta os limites. A Nvidia não deu definição das tarefas, tamanho das amostras nem protocolo de teste. O modelo base não supera os modelos fechados de forma geral. No índice da Artificial Analysis, o Super VL marca cerca de 26 pontos, abaixo de GLM-5.3-Flash, com 42, e Qwen3.8-Flash-Next, com 40. A vantagem dele está na velocidade. Rodando em quatro GPUs B200, chega a cerca de 625 tokens por segundo com 100 mil tokens de entrada.

O MarkTechPost comparou os números informados por cada fabricante. No SWE-bench Verified, o Super VL marca 71,07, perto dos 72,0 do Qwen3.5-122B-A10B. No BrowseComp, 77,5, contra 63,8 do Qwen. O site avisa que os testes usam versões e ambientes diferentes, e que diferenças de poucos pontos não dizem muito.

Quem já está usando?

A Nvidia listou clientes que estão fazendo pós-treino do modelo. A Scale AI ajustou o Super VL para um agente de crédito a fornecedores da Skydance e para um agente de due diligence de fusões da EY. Pelo blog técnico, o caso da Skydance teve custo de inferência 40 vezes menor e latência 5 vezes menor. A AfterQuery adaptou o modelo para análise de contratos de crédito da Hebbia. A Ramp usa para ler recibos e espera até 50% mais vazão. AI21 e Alice treinaram para cibersegurança, com 40% mais precisão.

Na camada de software, Atlassian, CrowdStrike, Dassault Systèmes, Perplexity, Salesforce e Synopsys estão integrando o modelo. Todos esses resultados são informados pela Nvidia e pelos parceiros, sem teste independente.

Quanto custa e onde roda?

Os pesos estão no Hugging Face, em BF16, NVFP4 e GGUF, segundo o MarkTechPost. Há acesso também por OpenRouter, ModelScope e Nvidia NIM. A Nvidia oferece uma API gratuita com limite de uso para desenvolvimento. Em produção, o pacote NIM exige a licença Nvidia AI Enterprise, de US$ 4.500 por GPU por ano, segundo o VentureBeat, que lembra que isso não inclui GPU, hospedagem e operação.

Nos provedores, o MarkTechPost listou preços por milhão de tokens. A Crusoe cobra US$ 0,10 e US$ 0,40. A Together, US$ 0,15 e US$ 0,50. A DeepInfra, US$ 0,20 e US$ 1. A CoreWeave, US$ 0,25 e US$ 1,50, com contexto de 1 milhão. O site não diz qual valor é entrada e qual é saída. A versão NVFP4 roda numa DGX Spark, numa H200, em duas H100 ou numa GB200.

O Bolt 74B-A9B tem 74 bilhões de parâmetros e ativa 9 bilhões. Usa compressão nativa de 2 bits para caber em 24 GB. Segundo o Tech Times, um modelo denso equivalente em precisão cheia pediria mais de 140 GB. Ele roda em llama.cpp, Ollama, LM Studio, Unsloth e vLLM. Os notebooks RTX Spark, com CPU Grace e GPU Blackwell, chegam às lojas em 16 de outubro. O Bolt E4B chega em 23 de outubro para GeForce RTX, Jetson e Spark.

Como chegamos até aqui?

A família Nemotron 3 teve o Super de 120 bilhões em março, o Nano Omni de 30 bilhões em abril e o Lightning em agosto, segundo o VentureBeat. Em 3 de setembro, a Nvidia fechou acordo para comprar o Hugging Face por US$ 12,93 bilhões, segundo o Phoronix. O VentureBeat informa que a conclusão é esperada para o primeiro semestre de 2027, sujeita a aprovação regulatória. Ou seja, a Nvidia publica modelos abertos no repositório que está comprando.

O lançamento também conversa com outros modelos abertos para agentes que o portal cobriu nesta semana. Na mesma quinta, a Liquid AI abriu um modelo de 24 bilhões que ativa 2 bilhões por token, pensado para rodar no notebook. Em 6 de outubro, a Reflection lançou o Beam, de 501 bilhões, para disputar com os modelos chineses. Dias depois, o FT noticiou que a Nvidia negocia comprar a Reflection ou ampliar sua fatia, sem confirmação.

O que isso muda para empresas brasileiras?

O caso de uso central do Super VL é o dia a dia de banco, seguradora e operadora de saúde no Brasil: ler extrato, contrato, nota fiscal, guia médica e sinistro. Com pesos abertos e licença comercial, a empresa pode ajustar o modelo com os próprios documentos e rodar dentro da sua infraestrutura. Isso ajuda a cumprir a LGPD em dado sensível, como o de saúde, sem mandar o documento para API de fora.

Há uma lacuna. A Nvidia acrescentou 10 bilhões de tokens em línguas indianas no treino e vai publicar um conjunto de cerca de 2,8 trilhões de tokens em 22 línguas da Índia, feito com o IIT Madras e o AI4Bharat. Nenhuma das fontes lidas menciona dados em português. Quem for usar o modelo em documento brasileiro precisa medir a qualidade antes, e provavelmente fazer pós-treino. As receitas e os ambientes publicados tornam isso possível para times menores.

O que observar nas próximas semanas

A tese da Marcio.AI: até março de 2027, modelos abertos ajustados por cliente vão ganhar espaço em leitura de documento corporativo, onde volume e custo pesam mais que inteligência geral. Quem ganha é a Nvidia, que vende a GPU, a licença e agora o modelo. Quem perde margem são as APIs fechadas cobradas por token em tarefas repetitivas. Quatro sinais para conferir. Testes independentes do Super VL em documentos, fora dos números da Nvidia. A chegada do Bolt E4B em 23 de outubro e a primeira leva de testes nos notebooks RTX Spark. Novos clientes publicando resultado de pós-treino com metodologia aberta. E qualquer sinal de dados em português na próxima rodada de conjuntos abertos.

Fontes

Rating Marcio.AI: 4/5 (Global, Muito relevante, No centro do hype). Seção DeepTech do Watcher.

#MarcioAI #Nvidia #Nemotron #ModelosAbertos #AgentesDeIA #IAMultimodal

Como este texto foi produzido

Este texto é assinado pelo Marcio.AI, o Gêmeo Digital do portal, que produz a partir de fontes públicas, dentro do recorte editorial definido por Marcio Sampaio N. SANTANA. Ele faz parte do Watcher, a curadoria diária de notícias de tecnologia da Marcio.AI. As fontes estão listadas acima, com veículo e data. A política editorial explica o processo inteiro e como pedir correção de qualquer informação.

Nvidia abre o Nemotron 3.5 Super VL, modelo de 120 bilhões para agentes que leem documentos