本文へスキップ

このレビューはまだ日本語版がないため、Englishの原文を表示しています。

Nemotron 3.5 Super VL Review: Screenshots, Charts and Video in One Chat Call

Pick Nemotron 3.5 Super VL for screenshots, charts and short clips at a low price; for plain printed text a dedicated OCR tool may do.

プレイグラウンドを開く

Spicy Index

76.8/ 100

暫定

Freedom Score

未テスト

料金
$0.275 混合 100 万トークンあたり（入力 3：出力 1）
出力速度
155 トークン/秒
成功率
データ収集中

Nemotron 3.5 Super VL is NVIDIA's vision-language model, released on 15 October 2026. NVIDIA describes a mixture-of-experts design with 120B parameters in total and 12B active per token, plus a vision encoder. On our API it is one OpenAI-compatible chat endpoint that takes text, images and video, reads up to 262,144 tokens in a request and writes back up to 262,144, at $0.20 per million input tokens and $0.50 output.

The verdict

This is a catalogue review: we checked the model against NVIDIA's published description and our endpoint limits, and we have not run our own quality or content tests on it. Every benchmark number below is NVIDIA's, not ours.

The reasons to pick it are the input types and the price. Screenshots, charts, forms, slides and sampled video frames go into the same message list as text, tool calling and JSON output work on the same request, and the thinking pass can be turned off for fast extraction. The reasons to hesitate are the default (reasoning effort starts at high, so a simple caption costs more tokens than it needs to), no audio or PDF input, and the fact that NVIDIA's own OCR numbers are close to, not ahead of, comparable Qwen models.

Try Nemotron 3.5 Super VL →

Key facts

  • Tested by us: catalogue check and launch smoke run only, no quality or content tests; this page rests on NVIDIA's model card and our endpoint limits
  • Price: $0.20 per million input tokens, $0.04 cached, $0.50 output
  • Limits: 262,144-token context, replies up to 262,144 tokens (default 4,096), text, image and video input, up to 128 tools
  • Reasoning: none, low, medium or high; high is the default
  • Sources: the scoring rules are on our review methodology page, and the full parameter list is on the Nemotron 3.5 Super VL model page.

良かった点と足りなかった点

良かった点

  • Images and video in the same call. Charts, tables, forms, slides and screenshots go in as image parts; video goes in as video parts, which NVIDIA describes as sampled frames.
  • Thinking you can switch off. reasoning_effort accepts none, low, medium and high, so a caption or a field extraction does not have to pay for a long reasoning pass.
  • A low price for a vision model. $0.20 in and $0.50 out per million tokens, with cached input at $0.04.
  • Tools and JSON on the same request. Up to 128 tool definitions with tool_choice and parallel_tool_calls, plus response_format for a JSON reply.
  • Open weights. NVIDIA publishes the model, so you can compare our hosted endpoint with a self-hosted copy of the same family.

足りなかった点

  • High is the default reasoning effort. Reasoning tokens bill as output and count toward max_tokens, so send none or low yourself for simple jobs and raise the cap when you leave it on high.
  • No audio and no PDF files. The endpoint takes text, images and video. Transcribe audio first; convert each PDF page to an image or send the extracted text.
  • Video is sampled frames. It suits describing events and changes, not frame-exact timing.
  • The window is 262,144 tokens here. NVIDIA's model page mentions up to 1M tokens in its description but lists 262,144 in its specification; 262,144 is what applies on this endpoint.
  • Benchmarks are NVIDIA's. We have not reproduced them. NVIDIA also warns that the model can be susceptible to prompt injection, so treat text inside an image as untrusted input.

What we tested

We have not run this model through our capability sets or content levels. What this page uses: NVIDIA's model card and build page (read on 28 October 2026), the limits and parameters of our own endpoint, and the live price on the model page. Where a number comes from NVIDIA it is labelled that way. NVIDIA reports, among others, 89.52 on GPQA-Diamond, 71.10 on SWE-bench Verified and 78.16 on MathVision for the BF16 model, and an OCRBench v2 score of 68.12 that it places roughly level with a comparable Qwen model. None of these is a result from our test sets.

Prompts that worked

These are starting points based on the endpoint's shape, not prompts we benchmarked.

1. Read a chart. Attach the chart as an image part and ask for what can and cannot be read from it; the explicit second half keeps the answer honest about unreadable values.

text
Read this chart and report its labels, the trend of each series, and any values that cannot be established from the image.

Run this prompt on Nemotron 3.5 Super VL →

2. A tool step. The shape of a tool-calling turn: one function, tool_choice set to auto, and your code running the call.

text
Call report_status with status ready.

Run this prompt on Nemotron 3.5 Super VL →

Settings that matter: reasoning_effort none or low for captions and field extraction, high only for multi-step reasoning over a document; raise max_tokens above the 4,096 default when thinking is on; NVIDIA recommends temperature 1.0 and top_p 0.95 for text and 0.6 and 0.95 for vision tasks.

Roleplay and how far it writes

We have not tested Nemotron 3.5 Super VL on our content levels yet, so this review makes no claim about how far it writes or how often it softens or refuses. The model page carries no content-test results for it either. On our API we add no content filter; whatever comes back is the model's own behaviour.

Not tested yet: all five content levels, roleplay quality over many turns, and languages other than English. We will add results here once the runs are done.

Every character in a request should be an adult, keep real, identifiable people out of it, and you're responsible for the law where you publish.

Alternatives

  • Want a model we have measured? Claude Haiku 5.5 reads text and images in a 1,000,000-token window and has a full capability review.
  • A bigger window plus audio and video? Muse Wonder 1.0 accepts text, image, video and audio parts and reads about 1M tokens, at a much higher price.
  • Text-only, with a long window? Ling 3.1 Flash is text-only with the same 262,144-token window at a lower price.

Nemotron 3.5 Super VL の Spicy Index の内訳

各項目から採点の詳細に進めます。点数がどの行から来たのか、なぜ減点されたのかがわかります。

公開リーダーボード 品質の 40%
未テスト

追跡している公開リーダーボードに、完全に一致するエントリーはまだありません。 仕組み

ロールプレイ 品質の 15%
未テスト

このモデルではまだロールプレイのテストを実施していません。 仕組み

創作文 品質の 15%
60.5
指示への従い方 品質の 15%
100.0
長いコンテキストの記憶 品質の 15%
未テスト

このモデルではまだ長いコンテキストのテストを実施していません。 仕組み

機能 重み 10.5%
57.0
Freedom Score 重み 30%
未テスト

自由度が未測定、または証拠が不十分です。Index は元の品質・機能スコアを維持し、暫定表示で順位に含めます。証拠の欠如を 0 点とは扱いません。 仕組み

自由度が未測定、または証拠が不十分です。Index は元の品質・機能スコアを維持し、暫定表示で順位に含めます。証拠の欠如を 0 点とは扱いません。

テストレポートをすべて見る →

機能の項目別採点

公開採点表の点数です。アップスケールで作る解像度や、当社が独自に設けた上限は数えません。

コンテキスト長（開発元の公表値）未記載
0.0 / 30
SpicyAPI での入力形式テキストと画像
12.0 / 25
ツール使用ツールと tool_choice
15.0 / 15
構造化出力対応、スキーマ準拠を確認済み
15.0 / 15
推論の制御4 段階：none · low · medium · high
15.0 / 15

SpicyAPI で Nemotron 3.5 Super VL にできること

SpicyAPI の現在のモデル仕様から直接取得しています。開発元が自社アプリでより多くの機能を提供している場合もありますが、ここに載っているのは現在当社の API から呼び出せる機能です。

エンドポイント別の機能
機能チャット
コンテキスト長262,144 トークン
1 リクエストの最大出力262,144 トークン
推論レベルnone · low · medium · high
ツール呼び出しあり
構造化出力あり
すべてのパラメーターとコード例を見る →

実際にかかる時間

過去 30 日の実際のジョブで、リクエストから完成までを計測しています。所要時間には当社自身のテスト実行も含みます。

出力速度
155 トークン/秒最初のトークンまでの時間を含みます
成功率
データ収集中

完了したジョブが 10 件以上そろうと所要時間を表示します。成功率はお客様のジョブだけで数え、30 日分のトラフィックがそろうまで全モデルで非表示にしています。

Nemotron 3.5 Super VL の代わりに検討できるモデル

あなたの意見は？

このレビューは役に立ちましたか？

投票するにはログインしてください。

コメント

コメントは自動チェックと当社チームによる確認を経ています。スパム、不適切な内容、個人攻撃、実在の人物の名前を同意なく挙げる投稿は削除します。コメントを報告いただければ、1 営業日以内に確認します。

このモデルを試しましたか？うまくいった方法を共有してください。スパムを防ぐため、コメントには無料アカウントが必要です。

Nemotron 3.5 Super VL のよくある質問

Nemotron 3.5 Super VL を自分で試す

プレイグラウンドで全パラメーターを設定し、実行前に正確な料金を確認できます。

$0.275 混合 100 万トークンあたり（入力 3：出力 1）

ほかのレビュー

ランキングを見る →
  • Small blank marble tiles race along a short brass rail on a basalt plinth into a three-slot marble gate, where a gold filament splits into three channels ending in three neat stacks

    GPT 6.1 Terra

    Pick GPT 6.1 Terra for high-volume screens, documents and writing where reasoning_effort none helps; so far we have run only launch checks, no scored tests.

    Spicy Index
    79.9
    Freedom Score
    —

    2026年10月28日 にテスト

    レビューを読む
  • Small blank marble tiles race along a short brass rail on a basalt plinth into a three-slot marble gate, where a gold filament splits into three channels ending in three neat stacks

    Kimi K3.1 Pro

    Pick Kimi K3.1 Pro for long-context work with screenshots and clips when you accept always-on thinking; so far we have run only launch checks, no scored tests.

    Spicy Index
    80.4
    Freedom Score
    —

    2026年10月28日 にテスト

    レビューを読む
  • A burst of golden light filaments fanning low across a shallow glass dish against pure black

    Grok 4.3

    巨大な文脈窓、本物の推論オフ、低価格の規制なし文章が欲しいなら Grok 4.3。ファイル添付が要るなら見送りを。

    Spicy Index
    77.0
    Freedom Score
    98.9

    2026年9月24日 にテスト

    レビューを読む