Einführung
Nemotron 3.5 Super VL ist das Vision-Language-Modell von NVIDIA, veröffentlicht am 15. Oktober 2026 mit 120B Parametern insgesamt und 12B aktiven. Hier ist es ein einziger Chat-Endpunkt, der Text, Bilder und Video annimmt, bis zu 262,144 Tokens Eingabe verarbeitet und bis zu 262,144 Tokens pro Antwort liefert, mit Tools, Streaming und optionalem Reasoning.
| Feld | Wert |
|---|---|
| Eingabe | Text |
| Ausgabe | Text |
| Eingabebudget | 262,144 tokens |
| Obergrenze für max_tokens | 262,144 |
| Eingaben | Text / Bilder / Video |
Wichtige Funktionen und Highlights
Gebaut, um zu lesen, was auf dem Bildschirm steht
Nemotron 3.5 Super VL verbindet ein Sprachmodell mit einem Vision-Encoder. Diagramme, Formulare, Tabellen und GUI-Screenshots werden daher direkt gelesen, ohne separaten OCR-Schritt. Sie können nach Beschriftungen, Werten, Trends und allem fragen, was sich aus dem Bild nicht ermitteln lässt, und dabei angeben, auf welches Bild sich jede Frage bezieht.
Video als Teil der Unterhaltung
Eine Nutzernachricht kann video_url-Teile neben Text und Bildern enthalten. NVIDIA beschreibt Videoeingaben als abgetastete Frames. Das eignet sich eher für Fragen nach Ablauf und Veränderungen als für framegenaue Zeitangaben.
Reasoning, das Sie abschalten können
reasoning_effort akzeptiert none, low, medium oder high und ist standardmäßig auf high gesetzt. Verwenden Sie none oder low für schnelle Extraktion und Bildbeschreibungen, high, wenn die Aufgabe mehrere Schritte braucht. Das Denken ist Teil der Antwort, daher empfiehlt es sich, max_tokens großzügig zu setzen.
Offene Gewichte, gehostet hinter einer API
Das Modell wird von NVIDIA unter der OpenMDW-Lizenz veröffentlicht und ist für Agentenarbeit gebaut. Tool-Aufrufe sind deshalb ein Kernmerkmal: bis zu 128 Funktionsdefinitionen pro Anfrage, parallele Aufrufe standardmäßig aktiviert, Ergebnisse als Tool-Nachrichten zurück.
Request-Parameter
| Parameter | Pflicht | Beschreibung |
|---|---|---|
messages | Ja | Senden Sie Nemotron 3.5 Super VL die Unterhaltung in zeitlicher Reihenfolge mit den Quellen für die Analyse von Diagrammen und Dokumentbildern; ordnen Sie Werkzeugergebnisse ihr… mindestens 1 Einträge · höchstens 256 Einträge |
max_tokens | Nein | Bei Nemotron 3.5 Super VL ist |
reasoning_effort | Nein | Nemotron 3.5 Super VL bietet none, low, medium, high, voreingestellt ist high; vergleichen Sie den Aufwand für die Analyse von Diagrammen und Dokumentbildern anhand der verbrauc… |
stop | Nein | Beenden Sie die Ausgabe von Nemotron 3.5 Super VL mit einer oder bis zu vier Sequenzen; die erkannte Markierung erscheint nicht im endgültigen Text. mindestens 1 Zeichen · mindestens 1 Einträge · höchstens 4 Einträge |
temperature | Nein | temperature beeinflusst das Sampling von Nemotron 3.5 Super VL; behalten Sie für die Analyse von Diagrammen und Dokumentbildern die Voreinstellung bei, sofern kein anderer Antwo… |
top_p | Nein |
|
tools | Nein | Definieren Sie für Nemotron 3.5 Super VL bis zu 128 Funktionen im OpenAI-Format für die Analyse von Diagrammen und Dokumentbildern; Ihre Anwendung prüft Argumente und führt die… höchstens 128 Einträge |
parallel_tool_calls | Nein | Dieser Schalter erlaubt Nemotron 3.5 Super VL, mehrere unabhängige Funktionen in einem Zug vorzuschlagen; Ihre Anwendung steuert weiterhin die Ausführung. Standardwert: |
tool_choice | Nein | Nemotron 3.5 Super VL akzeptiert bei |
response_format | Nein | Fordern Sie von Nemotron 3.5 Super VL Text oder strukturiertes JSON für die Analyse von Diagrammen und Dokumentbildern an und prüfen Sie das JSON gegen die erwarteten Felder. |
Preis
Eingabe $0.20 / Ausgabe $0.50 je 1 Mio. Token
Anwendungsfälle
Strukturierte Daten aus Dokumenten ziehen
Senden Sie gescannte Seiten, Rechnungen oder Folien als Bilder und fordern Sie die Felder als JSON an, über ein response_format oder ein Tool-Schema. Weisen Sie das Modell an, nicht lesbare Werte zu markieren statt zu raten, und validieren Sie das Ergebnis anschließend.
Diagramme und Dashboards beschreiben und prüfen
Hängen Sie ein Diagramm oder einen Dashboard-Screenshot an und fragen Sie nach Beschriftungen, Trend und jeder Zahl, die sich aus dem Bild nicht ermitteln lässt. Ein zweites Bild erlaubt den Vergleich zweier Zeiträume.
Eine Bildschirmaufnahme verstehen
Senden Sie einen kurzen Produkt-Walkthrough als Video und fragen Sie nach den gezeigten Schritten, dem aufgetretenen Fehler und der Stelle, an der er zuerst auftrat. Für exakte Zeitstempel extrahieren Sie die Frames selbst und senden sie als Bilder.
Einen Vision-Agenten betreiben
Zeigen Sie dem Modell einen Screenshot, lassen Sie es einen Tool-Aufruf wie click oder search anfordern, führen Sie ihn in Ihrem Code aus und senden Sie den nächsten Screenshot zurück. Begrenzen Sie die Zahl der Schleifenschritte und protokollieren Sie jeden Aufruf.
Prompt-Leitfaden und Praxistipps
Angeben, auf welches Bild sich eine Frage bezieht
Beschriften Sie Bilder und Clips im Text, zum Beispiel: Das erste Diagramm ist Q1, das zweite Q2. Trennen Sie Ihre Anweisungen von Text, der innerhalb des Bildes sichtbar ist.
Die Reasoning-Stufe zur Aufgabe passend wählen
Der Standard ist high. Für Extraktion, Bildbeschreibungen und Klassifikation auf low oder none wechseln, für mehrstufige Analysen und Tool-Schleifen high beibehalten.
Sampling für die Aufgabe einstellen
NVIDIA empfiehlt temperature 1.0 und
top_p0.95 für Text sowie temperature 0.6 mittop_p0.95 für Vision-Aufgaben. Beide Felder werden hier akzeptiert; ändern Sie jeweils nur eines.Das Bildbudget einplanen
Große Bilder und lange Videos verbrauchen viele Eingabe-Tokens. Skalieren Sie Screenshots auf eine Größe, bei der der Text lesbar bleibt, und senden Sie für lange Clips abgetastete Frames.
Nemotron 3.5 Super VL ist das Vision-Language-Modell von NVIDIA, veröffentlicht am 15. Oktober 2026 mit 120B Parametern insgesamt und 12B aktiven. Hier ist es ein einziger Chat-Endpunkt, der Text, Bilder und Video annimmt, bis zu 262,144 Tokens Eingabe verarbeitet und bis zu 262,144 Tokens pro Antwort liefert, mit Tools, Streaming und optionalem Reasoning.
Lassen Sie Nemotron 3.5 Super VL zu einem beigefügten Diagramm Beschriftungen, Verlauf und nicht sicher ablesbare Werte nennen. Trennen Sie Beobachtungen von Schätzungen. Der Vision-Language-Endpoint nimmt Bilder und Videos, aber kein Audio an und erzeugt Text statt eines bearbeiteten Bildes. Nutzen Sie Werkzeuge für externe Berechnungen oder Abfragen und prüfen Sie deren Argumente vor der Ausführung.
Über Inhalte entscheidet das gewählte Modell. Bei Nemotron 3.5 Super VL gilt: Das NSFW-Verhalten kann variieren; uneingeschränkte Inhalte werden nicht zugesichert.
API-Schnellstart
curl --fail-with-body -sN https://api.spicyapi.ai/v1/chat/completions \
-H "Authorization: Bearer $SPICY_API_KEY" \
-H "Content-Type: application/json" \
-H "Idempotency-Key: $(uuidgen)" \
-d '{
"model": "nvidia/nemotron-3.5-super-vl/chat",
"messages": [
{
"role": "user",
"content": "Summarise the following release notes into three bullet points."
}
],
"stream": true
}' \
| jq --unbuffered -Rrj 'select(startswith("data: ")) | .[6:] | select(. != "[DONE]") | fromjson | if .error then "\n[error] \(.error.message)\n" else (.choices[0].delta.content? // empty) end'
Authentifizierung, vollständiges Schema, Polling und Fehlerbehandlung stehen in der API-Referenz.