はじめに
Nemotron 3.5 Super VL は NVIDIA のビジョン言語モデルで、2026 年 10 月 15 日に公開されました。総パラメータ 120B、うちアクティブ 12B の混合エキスパート（MoE）構成です。ここでは、テキスト・画像・動画を受け付ける 1 つのチャットエンドポイントとして提供され、最大 262,144 トークンの入力を読み取り、1 回の応答で最大 262,144 トークンを返せます。ツール、ストリーミング、任意の推論に対応しています。
| 項目 | 値 |
|---|---|
| 入力 | テキスト |
| 出力 | テキスト |
| 入力予算 | 262,144 tokens |
| max_tokens の上限 | 262,144 |
主な機能とハイライト
画面に映っているものを読むための設計
Nemotron 3.5 Super VL は言語モデルとビジョンエンコーダーを組み合わせているため、グラフ、フォーム、表、GUI のスクリーンショットを、別の OCR 工程を挟まずに直接読み取ります。ラベル、値、傾向、そして画像から確定できない点を尋ね、各質問がどの画像に関するものかを明記してください。
会話の一部としての動画
ユーザーのメッセージには、テキストや画像と並べて video_url のパートを含められます。NVIDIA は動画入力をサンプリングされたフレームとして扱うと説明しており、フレーム単位の正確なタイミングより、何が起きたか、何が変わったかを尋ねる用途に向いています。
オフにできる推論
reasoning_effort は none、low、medium、high から選べ、既定は high です。素早い抽出やキャプションには none または low を、複数ステップが必要なタスクには high を使ってください。推論は応答の一部として出力されるため、max_tokens には十分な余裕を持たせるのがおすすめです。
オープンウェイト、単一の API で提供
NVIDIA が OpenMDW ライセンスで公開しているモデルで、エージェント用途を想定して作られています。そのためツール呼び出しが中心機能になっており、1 リクエストあたり最大 128 個の関数定義、既定で有効な並列呼び出し、ツールメッセージとしての結果返却に対応しています。
リクエストパラメーター
| パラメーター | 必須 | 説明 |
|---|---|---|
messages | はい | Nemotron 3.5 Super VL に グラフと文書画像の分析 の資料を含む会話を順序どおり送ります。Nemotron 3.5 Super VL では、ツールの結果は元の |
max_tokens | いいえ | Nemotron 3.5 Super VL の |
reasoning_effort | いいえ | Nemotron 3.5 Super VL では none, low, medium, high を選べ、既定値は high です。グラフと文書画像の分析 で設定を比べ、出力トークンの使用量も確認します。 |
stop | いいえ | Nemotron 3.5 Super VL の停止文字列を 1 件、または最大 4 件指定します。Nemotron 3.5 Super VL では、一致した停止文字列は最終テキストに含まれません。 1 文字以上 · 1 件以上 · 4 件以内 |
temperature | いいえ | Nemotron 3.5 Super VL のサンプリングを調整します。グラフと文書画像の分析 の評価では、異なる回答傾向が必要な場合を除いて既定値を使います。 |
top_p | いいえ | Nemotron 3.5 Super VL の nucleus sampling を調整します。グラフと文書画像の分析 を比較するときは |
tools | いいえ | Nemotron 3.5 Super VL に グラフと文書画像の分析 用の OpenAI 形式の関数定義を最大 128 件渡せます。Nemotron 3.5 Super VL では、引数の検証と処理の実行はアプリで行います。 128 件以内 |
parallel_tool_calls | いいえ | Nemotron 3.5 Super VL が一度の応答で独立した複数の関数を提案できるかを指定します。各処理の実行はアプリが管理します。 デフォルト値: |
tool_choice | いいえ | Nemotron 3.5 Super VL の |
response_format | いいえ | Nemotron 3.5 Super VL に グラフと文書画像の分析 の結果をテキストまたは構造化 JSON で求めます。Nemotron 3.5 Super VL では、返された JSON が必要な項目を満たすか確認します。 |
料金
入力 $0.20 / 出力 $0.50 100 万トークンあたり
ユースケース
文書から構造化データを抽出する
スキャンしたページ、請求書、スライドを画像として送り、response_format またはツールのスキーマで項目を JSON として取得します。読めない値は推測せず印を付けるよう指示し、その後で結果を検証してください。
グラフやダッシュボードを説明・監査する
グラフやダッシュボードのスクリーンショットを添付し、ラベル、傾向、画像から確定できない数値を尋ねます。2 枚目の画像を追加すれば、2 つの期間を比較できます。
画面録画を理解する
短い製品デモの動画を送り、表示された手順、現れたエラー、それが最初に発生した箇所を尋ねます。正確なタイムスタンプが必要な場合は、フレームを自分で抽出し、画像として送ってください。
ビジョンエージェントを動かす
モデルにスクリーンショットを見せ、click や search などのツール呼び出しを要求させ、あなたのコードで実行して次のスクリーンショットを返します。ループのステップ数には上限を設け、すべての呼び出しをログに残してください。
プロンプトガイドと実践のヒント
質問がどの画像に関するかを示す
テキスト内で画像や動画クリップにラベルを付けてください。例：1 枚目のグラフは Q1、2 枚目は Q2 です。指示文は、画像内に映っている文字と区別して書いてください。
タスクに合わせて推論の設定を選ぶ
既定は high です。抽出、キャプション、分類では low または none に下げ、複数ステップの分析やツールのループでは high を維持してください。
タスクに合わせてサンプリングを設定する
NVIDIA は、テキストには temperature 1.0 と
top_p0.95、ビジョン作業には temperature 0.6 とtop_p0.95 を推奨しています。どちらのフィールドもここで受け付けます。一度に 1 つずつ変更してください。画像のトークン予算を見積もる
大きな画像や長い動画は多くの入力トークンを消費します。文字が読める程度までスクリーンショットをリサイズし、長いクリップはサンプリングしたフレームで送ってください。
Nemotron 3.5 Super VL は NVIDIA のビジョン言語モデルで、2026 年 10 月 15 日に公開されました。総パラメータ 120B、うちアクティブ 12B の混合エキスパート（MoE）構成です。ここでは、テキスト・画像・動画を受け付ける 1 つのチャットエンドポイントとして提供され、最大 262,144 トークンの入力を読み取り、1 回の応答で最大 262,144 トークンを返せます。ツール、ストリーミング、任意の推論に対応しています。
Nemotron 3.5 Super VL でグラフを読む場合は画像を添え、ラベル、傾向、読み取れない値を挙げるよう求めます。観察した内容と推定を分けます。この視覚言語エンドポイントは画像と動画を受け付けますが、音声は受け付けません。出力は修正画像ではなく文章です。外部計算や検索が必要な場合にツールを使い、実行前に引数を確認します。
コンテンツの可否は選択した Nemotron 3.5 Super VL が判断します。Nemotron 3.5 Super VL では、NSFW の挙動は変わる場合があり、無制限での利用を保証するものではありません。
API クイックスタート
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'
認証、完全なスキーマ、ポーリング、エラー処理は API リファレンスを参照してください。