Nemotron シリーズで初めて音声入力をネイティブにサポートし、テキスト・画像・動画との統合理解が可能になった

Nemotron 3 Nano 30B-A3B バックボーンを基盤とし、独自のマルチモーダルトークン削減技術により推論レイテンシを大幅に低減

実世界のドキュメント解析、長尺の音声・動画理解、およびコンピュータ操作エージェントにおいて、前世代の Nemotron Nano V2 VL を上回る精度を達成

BF16、FP8、FP4 フォーマットのモデルチェックポイントに加え、学習データの一部とコードベースが公開されている

低遅延なマルチモーダルエージェントを構築する際、本モデルのトークン削減技術を無視すると、推論コストと応答速度の最適化機会を逃すことになる

音声・視覚・テキストをネイティブに統合したオープンな軽量モデルの登場により、エッジ環境での高度なドキュメント理解や操作自動化のハードルが下がった