NVIDIA lança Nemotron 3.5 Super VL aberto e diz superar Claude e GPT após treino extra

A NVIDIA lançou em 15 de outubro o Nemotron 3.5 Super VL (abre em nova aba), um modelo de inteligência artificial de pesos abertos que trabalha com texto, imagens, tabelas, gráficos, PDFs e páginas da web. O lançamento trouxe uma comparação chamativa. Segundo a empresa, em cinco tarefas especializadas, versões do modelo ajustadas para cada serviço superaram o Claude Opus 5, da Anthropic, e o GPT-6.1 Sol, da OpenAI, dois modelos fechados de ponta.

A palavra que segura essa frase é "ajustadas". A vitória não é do modelo como ele sai da caixa. Ela vem de cópias que passaram por pós-treinamento, uma rodada extra de treino com os dados, as ferramentas e as regras de uma tarefa específica. Quando um ranking independente mede capacidade geral, o Super VL aparece bem atrás da versão mais recente do Claude.

Um modelo para ler a papelada inteira

O "VL" do nome vem de vision-language, visão e linguagem. O modelo entende tanto o que está escrito quanto o que aparece em imagens, documentos escaneados, gráficos e telas de programas. A NVIDIA o apresenta como base para agentes, sistemas de IA que cumprem tarefas em várias etapas, seguindo instruções e acionando outras ferramentas pelo caminho.

Revisar um contrato de crédito é um caso típico desse trabalho. O agente precisa tirar números de tabelas, interpretar um gráfico, conferir uma página da web relacionada e aplicar as regras internas da empresa antes de dar uma resposta útil. A proposta do Super VL é fazer tudo isso num modelo só, em vez de combinar um modelo de texto com outro de visão.

O modelo tem 120 bilhões de parâmetros, os valores internos que ele ajusta ao aprender e que funcionam como medida aproximada de porte. Só que ele não usa todos ao mesmo tempo. A arquitetura é do tipo mistura de especialistas (mixture of experts, ou MoE): para cada token, como são chamados os pedaços de palavra que o modelo processa, apenas 12 bilhões de parâmetros entram em ação. É uma forma de ter o repertório de um modelo grande e pagar, a cada passo, uma conta mais próxima à de um bem menor.

De acordo com a NVIDIA, o Super VL não foi treinado do zero. Ele foi destilado do Nemotron 3 Ultra, o maior modelo de raciocínio da empresa: aprendeu, em parte, imitando as respostas de um "professor" mais pesado. O treinamento somou cerca de 26 trilhões de tokens. A etapa final conduzida pela própria NVIDIA usou aproximadamente 3,8 milhões de exemplos e aprendizado por reforço, técnica em que o modelo pratica tarefas e é recompensado quando acerta, em cerca de 100 ambientes abertos. O desenvolvimento teve participação da Nemotron Coalition, grupo que reúne Mistral AI, Thinking Machines Lab, Perplexity e Black Forest Labs.

O que o gráfico mostra e o que deixa de fora

A comparação com Claude e GPT apareceu num gráfico da NVIDIA publicado pelo site VentureBeat. Ele cobre cinco tarefas: inteligência de documentos, resiliência a ataques de segurança, extração de dados de recibos financeiros, experimentação científica e análise de pedidos de seguro-saúde.

Nas contas da empresa, o pós-treinamento rendeu ganhos entre 9 e 44 pontos de acerto, conforme a tarefa. Dois casos, com valores aproximados, mostram a medida:

O salto mais impressionante da tabela não acontece contra os concorrentes. Ele acontece dentro do próprio modelo. No seguro-saúde, a versão original acertava menos que o Claude Opus 5 e, depois do ajuste, passou a acertar quase o dobro dele. Que um modelo treinado especificamente numa tarefa vá bem justamente nela é, convenhamos, o esperado. O que interessa é o tamanho da diferença e quanto custa chegar lá.

Uma comparação de outro terreno ajuda a calibrar o resultado. Num exemplo hipotético, um analista recém-contratado passa semanas conferindo apenas os formulários de reembolso de uma seguradora. Nesses formulários, ele tende a superar um consultor muito mais experiente que nunca viu aquela papelada. Isso diz algo sobre o valor do treino específico e quase nada sobre quem é melhor no geral.

O método também deixa perguntas sem resposta. O VentureBeat observou que a NVIDIA não divulgou, junto com o gráfico, como as tarefas foram definidas, quantos casos foram testados nem qual foi o protocolo de avaliação. O site recomendou que empresas interessadas repitam a abordagem com seus próprios dados. O Claude usado como referência é o Opus 5, não o Opus 5.5, versão mais nova da Anthropic. Até que outros grupos reproduzam os testes, os números são medições da própria fabricante.

26 contra 58

Esses são os placares do Super VL e do Claude Opus 5.5 no índice de inteligência do Artificial Analysis, ranking que aplica a mesma bateria de testes a dezenas de modelos. A versão 4.3.2 do índice combina dez avaliações, de programação a conhecimento científico avançado. Nela, o modelo da NVIDIA fica atrás de todos os modelos de ponta listados, embora apareça em primeiro lugar entre os 67 da sua categoria.

O mesmo ranking que deixa o Super VL para trás em inteligência geral o coloca na frente em velocidade e preço. Ele gera 196 tokens por segundo, contra 97 do Opus 5.5. Cada tarefa do índice custa US$ 0,25 no modelo da NVIDIA e US$ 5,98 no da Anthropic, cerca de 24 vezes mais. Pela mediana dos provedores levantada pelo Artificial Analysis, o acesso ao Super VL por API sai a US$ 0,20 por milhão de tokens de entrada e US$ 0,575 por milhão de tokens de saída.

A aposta, portanto, não é ser o generalista mais esperto da sala.

O argumento da NVIDIA é ser rápido, barato e moldável. Segundo a empresa, organizações podem fazer o pós-treinamento do Super VL com seus próprios dados, ferramentas e políticas e rodá-lo numa infraestrutura que atenda às suas exigências de segurança e de residência de dados, ou seja, ao lugar onde as informações ficam fisicamente guardadas.

Para sustentar a promessa de velocidade, a NVIDIA diz que o modelo entrega até cinco vezes mais vazão, a quantidade de texto produzida por segundo, do que outros modelos abertos do mesmo porte rodando numa única GPU. A empresa cita perto de 625 tokens por segundo em quatro GPUs Blackwell B200, placas profissionais da própria NVIDIA. No relatório técnico (abre em nova aba), datado de 14 de outubro, a NVIDIA afirma que, na carga de trabalho com agentes que avaliou, o modelo alcançou 2,34 vezes a vazão do Qwen3.5 e 1,90 vez a do Qwen3.8 Flash-Next. O documento informa ainda 51,78% no SWE-bench Pro, teste de tarefas reais de engenharia de software. É mais que o Nemotron 3 Ultra, que usa cerca de 4,6 vezes mais parâmetros ativos.

O mesmo relatório descreve uma versão comprimida em 4 bits, chamada NVFP4, que ocupa menos memória e, segundo a NVIDIA, preserva 99,62% da precisão da versão completa, na mediana dos testes. Clientes também apresentaram números. A Scale AI relatou custo de inferência (o gasto para colocar o modelo para responder) 40 vezes menor e latência dez vezes menor em produção. Já a Trajectory Labs afirmou ter igualado o Claude Opus 4.7 num teste de agentes jurídicos da Harvey, pagando US$ 1,34 por milhão de tokens contra US$ 15. São relatos de parceiros, sem verificação externa.

Aberto, mas com detalhes a conferir

Pesos abertos significam que os arquivos com os parâmetros do modelo podem ser baixados e executados por quem tiver o equipamento necessário. O Super VL usa a licença OpenMDW-1.1, que permite uso comercial, ajuste fino e redistribuição. A página do modelo no Hugging Face (abre em nova aba) traz a versão completa, em formato BF16, e a NVIDIA também distribui a versão NVFP4, o modelo-base, conjuntos de dados e receitas de treino. Os pesos foram publicados no Hugging Face em 12 de outubro, três dias antes do anúncio oficial.

Entre 12 e 15 de outubro, a NVIDIA também publicou onze conjuntos de dados usados na etapa de ajuste do modelo. Todos indicam a OpenMDW-1.1 como licença, mas dois deles, de finanças, aparecem no Hugging Face com a etiqueta genérica "license: other". É um detalhe ainda meio mal amarrado, e quem pretende reaproveitar esses dados deve conferir as condições antes.

Além do Hugging Face, o modelo está disponível no OpenRouter, no ModelScope e no NIM, da própria NVIDIA. Há uma API gratuita hospedada pela empresa, com limites de uso, voltada a desenvolvimento. Para uso em produção, o pacote NVIDIA AI Enterprise custa US$ 4.500 por GPU por ano. A janela de contexto, que é a quantidade de material que o modelo consegue considerar de uma vez, chega a 1 milhão de tokens. Segundo a NVIDIA, o modelo foi otimizado para a geração Blackwell de chips da empresa.

Os irmãos menores

O Super VL não é o primeiro modelo da família que enxerga. O Nemotron Nano 2 VL já analisava documentos e imagens, e o Nemotron 3 Nano Omni (abre em nova aba), de abril, juntava texto, imagem, áudio e vídeo em 30 bilhões de parâmetros. A mudança está no porte: a visão chega agora à faixa Super, a mesma do Nemotron 3 Super, de março.

Dois modelos menores acompanham o lançamento. O Nemotron 3.5 Bolt 74B-A9B, já disponível, tem 74 bilhões de parâmetros, cerca de 9 bilhões ativos, e usa compressão em 2 bits para caber em 24 GB de memória de vídeo. Ele foi pensado para programar, pesquisar na web e cumprir tarefas em várias etapas no próprio computador, sem mandar o trabalho para a nuvem. Funciona com ferramentas como llama.cpp, Ollama, LM Studio e vLLM, em PCs com placas GeForce RTX e em estações de trabalho da NVIDIA. O Bolt E4B, de 4 GB, está previsto para 23 de outubro e mira assistentes de conversa e agentes que rodam em dispositivos.

Quando as primeiras empresas repetirem o pós-treinamento com seus próprios documentos, a vantagem vai aparecer do tamanho que o gráfico da NVIDIA sugere?

Perguntas frequentes