要点まとめ

  • NVIDIAが2026年10月15日に発表したオープンモデルで、テキストに加えて画像・文書・動画を理解し、推論とツール利用も1つに統合しています。
  • 120Bの総パラメータに対して12Bのみを活性化する構成で、容量を確保しつつ1リクエストあたりの計算量を抑える設計です。
  • 長時エージェント向けに作られ、スクリーンショットの読解、PDFの解析、画面録画の追跡、ツール呼び出しを単一モデルで回せます。
  • 専用ページはまだなく、コンテキスト長・ベンチマーク・ライセンス条件は発表時に示されていないため、公式サイトbuild.nvidia.comで最新情報を確認してください。

基本情報

ジャンル・位置づけNVIDIAのオープンなマルチモーダル推論モデル
対応端末自前ホストやAPI経由を想定。詳細は公式サイトで確認
料金発表時点で未公表。公式サイトで確認が必要
対応言語発表では明示なし。公式サイトの情報を確認
注目ポイント120B総・12Bアクティブ、画像/文書/動画とツール利用
難易度セルフホストはGPU資源と運用知識が必要
カテゴリAI・新モデル
作者・提供元NVIDIA AI
公式サイトbuild.nvidia.com ↗
注目度🔥 注目度 60万
最終更新

Nemotron 3.5 Super VLとは何か：NVIDIAのオープンモデルが狙う長時エージェント

Nemotron 3.5 Super VLは、NVIDIA AIが2026年10月15日に発表したオープンモデルです。Nemotronシリーズの最新版にあたり、「VL」はビジョン・ランゲージ、つまり視覚と言語の両方を扱うことを示します。テキストだけでなく画像・文書・動画を読み取れる点が、従来のテキスト中心モデルとの大きな違いです。

このモデルの狙いは、長時間にわたって同じタスクを続けるAIエージェントにあります。エージェントは多段階の作業の途中で、スクリーンショットを見たり、PDFを解析したり、画面録画の流れを追ったり、そのうえで外部ツールを呼び出したりします。Nemotron 3.5 Super VLは、こうした一連の処理を専門モデルの連鎖ではなく1つのモデルでこなすよう設計されています。

NVIDIAは推論、ツール利用、マルチモーダル理解を1つのオープンモデルにまとめました。自前でモデルをホストしたいチームにとって、視覚機能を備えたオープンモデルという点が実務上の意味を持ちます。外部APIに依存せず、社内環境でエージェントを動かしたいケースに向く選択肢です。

  • オープンモデルであることの意味

    重みを自前で扱えるため、機密データを外部に出さずにエージェントを運用したいチームに向きます。ライセンス条件の詳細は公式サイトで確認してください。

  • VLが示すマルチモーダル対応

    画像・文書・動画を入力として扱えるため、画面操作の記録やスキャン文書を含む業務フローに組み込めます。

  • 長時エージェントという設計目標

    単発の質問応答ではなく、何ステップにもわたる作業を途切れずに進める用途を想定しています。

120B総パラメータ・12Bアクティブの仕組みとマルチモーダル能力

Nemotron 3.5 Super VLは、120Bの総パラメータを持ちながら、実際に活性化されるのは12Bだけという構成です。総パラメータとアクティブパラメータを分ける設計は、モデル全体の容量を大きく保ちつつ、1回のリクエストで使う計算量を抑えるために広く用いられます。推論コストを意識しながら性能を確保したい場面で有効です。

機能面では、推論とツール利用に加えて、テキスト・画像・文書・動画の理解を1つに統合しています。たとえばエージェントが画面の状態を画像として把握し、マニュアルのPDFを読み、操作手順の動画を参照したうえで、次の操作をツール経由で実行する、といった流れを想定できます。

ただし、発表時点ではコンテキスト長、ベンチマークスコア、ライセンス条項は示されていません。長時エージェント向けとされるものの、実際にどれだけの入力を保持できるかは公表されていないため、導入検討時は公式サイトの続報を確認する必要があります。

  • 総パラメータとアクティブの違い

    120Bはモデルが持つ重みの総量、12Bは1回の推論で実際に働く部分です。容量を確保しつつ計算量を抑える狙いがあります。

  • 4種類の入力モダリティ

    テキスト、画像、文書、動画を扱えるため、画面録画やスキャン資料を含むワークフローに組み込めます。

  • 未公表の仕様に注意

    コンテキスト長やベンチマーク、ライセンスは発表に含まれていません。数値を前提にした設計は避け、公式情報で確認してください。

導入と活用の流れ：APIか自前ホストかを選ぶ

現時点でNemotron 3.5 Super VL専用のページは用意されていません。入手方法や提供形態の最新情報は、NVIDIAの公式サイトであるbuild.nvidia.comで確認するのが確実です。オープンモデルとして発表されているため、将来的に重みが公開されるのか、API経由での利用が中心になるのかは、公式の案内を待つ必要があります。

自前ホストを選ぶ場合は、120B規模のモデルを動かすためのGPU資源と、推論環境を運用する知識が求められます。12Bアクティブとはいえ総量は大きく、メモリや推論基盤の設計は導入の成否を左右します。一方、API経由で使える場合は、こうした運用負担を避けつつマルチモーダル機能を試せます。

活用を想定するなら、まず対象業務を「画像や文書、動画を読む必要があるか」で切り分けると判断しやすくなります。テキストだけで完結するタスクなら既存モデルで足りる場合も多く、視覚入力とツール呼び出しが絡む多段階の作業こそがこのモデルの出番です。

  • 公式サイトで提供形態を確認

    専用ページがないため、API提供か重み公開かの別はbuild.nvidia.comで確認します。

  • 自前ホストの前提条件

    120B総量を扱うGPU資源と推論運用の知識が必要です。小規模な検証環境では負担が大きくなります。

  • 用途の切り分け

    視覚入力とツール利用が絡む長い作業に向き、単純なテキスト処理だけなら別モデルが適する場合もあります。

類似モデルとの比較と向き不向き

マルチモーダルでツール利用もこなすモデルは他社からも提供されていますが、Nemotron 3.5 Super VLの特徴はオープンである点と、長時エージェントを明確に狙っている点にあります。自前ホストを前提に、視覚機能まで含めて内製したいチームにとっては比較対象になり得ます。

一方で、発表時にベンチマークやコンテキスト長が示されていないため、性能を数値で他モデルと比べることは現時点ではできません。導入判断では、公表された仕様だけでなく、実際のタスクでの検証結果を積み上げる姿勢が重要です。

向いているのは、画面操作の自動化、文書と動画をまたぐ調査、ツール呼び出しを含む業務エージェントなどです。逆に、軽量なチャット用途や、すぐに数値比較で選定したいケースでは、情報が揃うまで待つか、別の選択肢を併用するのが現実的です。

  • オープン性が最大の差別化

    自前ホストで視覚対応エージェントを組みたいチームにとって、重みを扱える可能性は大きな利点です。

  • 数値比較はまだできない

    ベンチマークとコンテキスト長が未公表のため、他モデルとの優劣は公式情報の更新を待つ必要があります。

  • 向かない用途

    軽量なテキスト処理や即時のコスト比較が目的なら、より小さいモデルの方が適する場合があります。

ステップ別ガイド

  1. 公式サイトで提供状況を確認する

    まずNVIDIAの公式サイトであるbuild.nvidia.comを開き、Nemotron 3.5 Super VLの提供形態を確認します。専用ページはまだないため、APIで使えるのか重みが公開されるのかを見極めます。

  2. 利用形態を決める

    API経由か自前ホストかを選びます。自前ホストはGPU資源と運用知識が必要になるため、検証目的ならAPI、機密性重視ならセルフホストが候補になります。

  3. 視覚入力を含むタスクを用意する

    画像、PDF、画面録画など、テキスト以外の入力を含むタスクを用意します。このモデルの強みはマルチモーダル理解にあるため、テキストだけの題材では差が見えにくくなります。

  4. ツール呼び出しを組み合わせる

    エージェントに外部ツールを呼ばせる手順を加え、読解から実行までの流れを一通り試します。多段階の作業でどこまで安定するかを確認します。

  5. 結果を記録して条件を見直す

    コンテキスト長やライセンスが未公表のため、検証結果とあわせて公式の続報を追います。前提が更新されたら、導入条件を再評価します。

よくある質問

Nemotron 3.5 Super VLはどこで使えますか？

発表時点では専用ページがなく、提供形態の詳細は公表されていません。NVIDIAの公式サイトであるbuild.nvidia.comで最新情報を確認してください。API経由か自前ホストかで利用の敷居が大きく変わるため、公式の案内を待つのが確実です。

料金はいくらですか？

発表時点で料金は示されていません。オープンモデルとして発表されているため、重みが公開されれば自前ホストのインフラ費用が中心になります。API提供の場合は別途利用条件が設定される可能性があるため、公式サイトで確認してください。

120B総パラメータで12Bアクティブとはどういう意味ですか？

モデル全体としては120Bの重みを持ちつつ、1回の推論で実際に働くのは12B相当という構成です。容量を確保しながら計算量を抑える設計で、推論コストを意識したモデルに多く見られます。具体的な動作条件は公式情報で確認してください。

画像や動画はどう扱えますか？

テキストに加えて画像、文書、動画を理解する機能を持つとされています。スクリーンショットの読解やPDFの解析、画面録画の追跡といった用途が想定されています。対応形式や上限は公表されていないため、公式サイトの情報を確認してください。

どんな用途に向いていますか？

多段階の作業を続ける長時エージェントに向いています。視覚入力を読み、ツールを呼び出しながら処理を進める業務フローで力を発揮します。一方、軽量なテキスト処理だけなら別のモデルの方が適する場合もあります。