2026年10月16日

NVIDIAの「Nemotron 3.5 Super VL」とは?120Bのマルチモーダルモデル

室谷室谷代表取締役
NVIDIAが2026年10月15日に発表した「Nemotron 3.5 Super VL」、これがなかなか面白いんですよね。一言でいうと、テキスト・画像・文書・動画の理解と、推論・ツール利用を1つのモデルにまとめてきたオープンなマルチモーダルモデルです。
テキトー教師テキトー教師DotAI 認定講師
単に「また大きいモデルが出た」という話じゃないんですよ。これまでエージェントが文書を読んで、グラフを解釈して、Web検索するには、テキスト用モデルと視覚用モデルを別々に用意して、その間でコンテキストを受け渡す必要があった。

その分離構成を1つに畳みにきたのが今回のポイントです。

NVIDIA Nemotron 3.5 Super VLとは?何が発表されたか

NVIDIA Nemotron 3.5 Super VL の特徴
オープンなマルチモーダルモデル
NVIDIAが2026年10月15日に公開。テキスト・画像・文書・動画の理解と推論・ツール利用を1つのモデルに統合
MoE構成
120B総パラメータ・12BアクティブのMixture-of-Experts。トークンごとに一部のエキスパートだけを動かし、大きなモデルの能力を小さな計算コストで実現
最大100万トークンのコンテキスト
長大なコンテキストに対応
重み・データ・レシピまで公開
NVIDIAが「オープン」として重み・データ・レシピまで含めて公開
モデル間の受け渡しを削減
テキストと視覚の理解を1モデルに持ち込むことで、別々のモデル間でコンテキストを受け渡す必要性を減らす
室谷室谷代表取締役
Nemotron 3.5 Super VLは、NVIDIAが2026年10月15日に公開したオープンなマルチモーダルモデルで、テキスト・画像・文書・動画の理解と推論・ツール利用を1つのモデルに統合しているんですよね。
テキトー教師テキトー教師DotAI 認定講師
スペックを整理すると、120B総パラメータ・12BアクティブのMixture-of-Experts(MoE)構成で、最大100万トークンのコンテキストに対応します。MoEはトークンごとに一部のエキスパートだけを動かす方式なので、大きなモデルの能力を小さな計算コストで実現できるわけです。
室谷室谷代表取締役
しかもNVIDIAはこれを「オープン」と言っていて、重み・データ・レシピまで含めて公開している。ここが大きいんですよ。
テキトー教師テキトー教師DotAI 認定講師
公式スレッドでも「エージェントは文書を読み、グラフを解釈し、Webを検索する必要がある」とした上で、テキストと視覚の理解を1モデルに持ち込むことで、別々のモデル間でコンテキストを受け渡す必要性を減らすと説明しています。
室谷室谷代表取締役
まさにそこが核心です。MYUUUでもエージェントを組むときに、視覚系とテキスト系を分けてパイプでつなぐ構成をよくやるんですけど、その受け渡し部分が地味に遅いし壊れやすい。

1モデルで完結するなら実装がかなり楽になります。
テキトー教師テキトー教師DotAI 認定講師
受講生さんがエージェント構築をやると、だいたいこの「モデル間の受け渡し」でつまずくんですよ。だから統合モデルは教育の現場でもありがたい話です。

Nemotron 3.5 Super VLでできること — 文書・動画・コーディングを1モデルで

Nemotron 3.5 Super VLが担う5つのエージェントワークフロー
コーディング
コードをテスト・検証し、エラーを分析して修正を提案
Webリサーチ
複数サイトを検索し、情報をつないで答えを検証
文書インテリジェンス
表・グラフ・ページレイアウトから情報を抽出し要約やレポートを生成
サイバーセキュリティ
脆弱性を特定し、脅威をトリアージして対応の優先順位づけ
動画理解
検索・コンテンツレビュー・インシデント分析のための情報抽出
室谷室谷代表取締役
公式ブログでは、このモデルが担うエージェントワークフローとして、コーディング、Webリサーチ、文書インテリジェンス、サイバーセキュリティ、動画理解の5つが挙げられているんですよね。
テキトー教師テキトー教師DotAI 認定講師
具体的に整理するとこうです。
  • コーディング: コードをテスト・検証し、エラーを分析して修正を提案
  • Webリサーチ: 複数サイトを検索し、情報をつないで答えを検証
  • 文書インテリジェンス: 表・グラフ・ページレイアウトから情報を抽出し要約やレポートを生成
  • サイバーセキュリティ: 脆弱性を特定し、脅威をトリアージして対応の優先順位づけ
  • 動画理解: 検索・コンテンツレビュー・インシデント分析のための情報抽出
室谷室谷代表取締役
視覚側の学習範囲も広くて、グラフ、表、OCR、複数ページ文書、動画理解までカバーしていると。文書インテリジェンスでは、同じモデルがグラフを解釈し、文書内の別の場所にある表と結びつけて、両方を要約できると説明されています。
テキトー教師テキトー教師DotAI 認定講師
コーディングのところも見逃せないんですよ。公式スレッドでは「1万件のコーディングタスクを最大4倍高速に完了しつつ、SWE-Bench Proの精度を維持する」と説明されています。
室谷室谷代表取締役
速さと精度の両立というのが、常時稼働エージェントでは本当に効いてくるんですよね。ツール呼び出しや結果検証みたいな定型処理を大量にこなすので、その都度フロンティア級の大型モデルを使うとコストと遅延が膨らむ。

ここを軽くできるのは実務的に大きいです。

Nemotron 3.5 Super VLのベンチマーク性能と他モデルとの比較

Nemotron 3.5 Super VL ベンチマーク性能
ベンチマークNemotron 3 UltraNemotron 3.5 Super VLNemotron 3 Nano Omni
Hermes Bench56.33%63.44%-
LangChain Evals84.3%87.05%-
CharXiv-80.8%63%
CharXiv + Pythonコード解釈-84%-
室谷室谷代表取締役
ここからは数字の話をしていきます。まず公式ブログにある比較で、Nemotron 3.5 Super VLはHermes Benchで63.44%、LangChainの評価で87.05%を記録していて、これはNemotron 3 Ultraの56.33%、84.3%を上回っているんですよね。
テキトー教師テキトー教師DotAI 認定講師
表にするとこうです。
モデルHermes BenchLangChain Evals
Nemotron 3 Ultra56.33%84.3%
Nemotron 3.5 Super VL63.44%87.05%
テキトー教師テキトー教師DotAI 認定講師
上位モデルのUltraより、このSuper VLのほうがエージェント系の評価で上に出ている。単純な規模の勝負ではなく、エージェントタスクに寄せた作り込みの成果が出ているわけです。
室谷室谷代表取締役
グラフ推論のベンチマークCharXivでは80.8%で、Nemotron 3 Nano Omniの63%と比べて伸びていると。Pythonコードの解釈を組み合わせると84%に達したと公式ブログに書かれています。

あとOCRBench v2のリーダーボードでも上位のオープンモデルの一つだと。
テキトー教師テキトー教師DotAI 認定講師
スレッドでは「100K入力トークンでも強い推論と高い出力速度を両立する」として、Artificial Analysisでの比較が示されています。公式ブログでは、BasetenのエンドポイントでArtificial Analysis Intelligence Indexのエージェントタスクにおいて600 TPS超を出したという図も挙げられています。
室谷室谷代表取締役
ベースモデル側の数字もHugging Faceのモデルカードに載っていて、MMLUが84.14、MMLU-Proが76.25、GSM8Kが91.74、HumanEvalが81.31、MATH-500が81.56といった具合です。これは視覚言語トレーニング前の、テキストのみのベースバックボーンの評価だと明記されています。
テキトー教師テキトー教師DotAI 認定講師
そこは正確に押さえておきたいところです。モデルカードには「以下の結果は視覚言語トレーニング前の、Nemotron 3.5 Superのテキストのみのベースバックボーンを評価したもの」と書かれています。

マルチモーダル込みの数字と混同しないようにしないといけません。
室谷室谷代表取締役
多言語まわりではGlobal MMLUが86.56、MGSMが87.53。さらにインド系言語のベンチマークでも、専用データのおかげで高い精度を出していると説明されています。

Nemotron 3.5 Super VLの使い方・始め方 — Hugging Faceでの入手とデプロイ

室谷室谷代表取締役
入手方法はシンプルで、Hugging Faceで公開されているんですよね。モデルカードにはHugging Face CLIでのダウンロードコマンドも載っています。
テキトー教師テキトー教師DotAI 認定講師
使い方の選択肢を整理するとこうです。
  • Hugging Faceから重みをダウンロード(ベース、ポストトレーニング済み、NVFP4量子化のチェックポイントを収録)
  • Transformersで pipeline("image-text-to-text", ...) として読み込む
  • vLLMで vllm serve してOpenAI互換APIとして呼ぶ
  • SGLangでサーバーを立てる
  • Docker Model Runnerで docker model run する
室谷室谷代表取締役
モデルカードにはTransformers、vLLM、SGLang、Docker Model Runnerそれぞれの具体的なコマンドが載っているので、普段使っているスタックに合わせて選べます。
テキトー教師テキトー教師DotAI 認定講師
デプロイ先も幅広いんですよ。公式ブログによると、NVIDIA NIMが最適化済みの推論エンジンと検証済み構成、標準APIをパッケージしていて、NVIDIA AI Enterpriseを通じたエンタープライズサポートも受けられる。

分散推論はNVIDIA Dynamoが担当し、KVキャッシュ認識ルーティングやKVキャッシュ管理、分離サービングといった最適化を提供します。
室谷室谷代表取締役
Dynamoの数字も出ていて、16基のNVIDIA B200 GPUでユーザーあたり毎秒50トークンの条件において、KV認識ルーティングとセッションアフィニティ、KVキャッシュオフロードを組み合わせると、最大8倍のユーザーをさばきつつ、初回トークン遅延を85%削減できると説明されています。
テキトー教師テキトー教師DotAI 認定講師
ローカル推論の最適化も入っていて、NVIDIA DGX Spark上で動くように調整されていると。EXO Labsの独立評価では、精度とタスク完了時間のパレートフロンティアに位置づけられたと公式ブログに書かれています。
室谷室谷代表取締役
推論の高速化技術も面白いんですよね。LiLiCorrというオープンな投機的デコーディング手法が紹介されていて、ドラフト全体にわたってトークン候補をまとめて評価することで、独立したトークン予測では拾えない依存関係を捉えると。

DGX Sparkではこれが低遅延推論の推奨ドラフターで、投機なしのデコーディングより最大2.3倍速くトークンを生成すると説明されています。
テキトー教師テキトー教師DotAI 認定講師
あとはNVFP4と混合精度の話も重要です。NVIDIA Model Optimizerによるポストトレーニング量子化と、量子化を意識した蒸留(QAD)を使っていて、NVFP4のレシピはNVIDIA Blackwellアーキテクチャ上で4ビットの重みと活性化を使う。

同じチェックポイントが非Blackwellのプラットフォームでは4ビット重み・16ビット活性化で動くという説明になっています。
室谷室谷代表取締役
QADはトレーニング中に行われるので推論時のオーバーヘッドが増えない、というのも実運用では効いてきますね。

料金・ライセンス・提供範囲 — オープンウェイトで商用利用は可能か

室谷室谷代表取締役
ここは実務で一番気になるところです。ライセンスはどうなっているんですか。
テキトー教師テキトー教師DotAI 認定講師
Hugging Faceのモデルカードによると、利用はOpenMDW License Agreement version 1.1に準拠します。モデルカードには「このモデルは商用・非商用利用が可能」と明記されています。
室谷室谷代表取締役
つまりオープンウェイトで、商用利用もできると。重み・データ・レシピが公開されているので、自社データでポストトレーニングして業務特化させる使い方が想定されているわけですよね。
テキトー教師テキトー教師DotAI 認定講師
その通りで、公式ブログではNVIDIA NeMoのオープンライブラリを使って、教師ありファインチューニング(SFT)とLoRAでドメイン固有の振る舞いを教え、強化学習(RL)でエージェント環境の性能を高める流れが説明されています。
室谷室谷代表取締役
データセットも一緒に公開されているのが大きいんですよ。エージェントのツール利用や会話データ、金融の推論とツール呼び出し、指示追従とチャット、長文脈の変換と翻訳、公平性データ、そして45の視覚言語データセットがHugging Faceで公開されると。

これらを自社データの補完に使えるわけです。
テキトー教師テキトー教師DotAI 認定講師
提供範囲については、公式ブログで「サポートされたローカル、データセンター、クラウド環境でオープンウェイトを適応・デプロイできる」と説明されています。ホスト型のモデルアクセスはOpenRouterで提供されると記載されています。
室谷室谷代表取締役
なお、具体的なAPIの従量課金や日本での提供時期といった細かい条件は、今回のソースでは明らかにされていません。ここは今後の続報を待つしかないですね。

なぜ今このモデルなのか — エージェントAIの分業構成と導入事例

室谷室谷代表取締役
NVIDIAはNemotronを「モデルのライブラリ」と位置づけていて、分業構成を提唱しているんですよね。小型のNemotron 3.5 Lightningが大量処理を、フロンティアのNemotron 3 Ultraが計画・統括を担い、その中間の専門的なマルチステップ作業をSuper VLが担当するという整理です。
テキトー教師テキトー教師DotAI 認定講師
公式ブログでも同じ構図が説明されていて、Nemotron 3.5 Super VLは「推論・ツール利用・テキストと視覚の理解をまとめて必要とする専門的でマルチステップな作業」を担い、Nemotron 3.5 Lightningが大量のテキストタスクを、Nemotron 3 Ultraが複雑な計画とオーケストレーションを担当すると書かれています。
室谷室谷代表取締役
さらにモデルルーティング用のライブラリ「NeMo Switchyard」も提供されていて、タスクごとに最適なモデルへ振り分ける運用が想定されていると。計画はフロンティアへ、実行は下位モデルへ、という振り分けですね。
テキトー教師テキトー教師DotAI 認定講師
導入事例も具体的なんですよ。公式ブログでは、Scale AIがSkydance Corporation向けの自動ベンダークレジット処理にポストトレーニングし、推論コストが40分の1、遅延が5分の1になると見込まれていると説明されています。
室谷室谷代表取締役
Rampはレシート画像を、加盟店情報・日付・支払いデータを含む構造化JSONに変換する用途で使っていて、最大50%のスループット向上と10分の1の遅延削減を見込んでいると。AI21はAI安全性・セキュリティ企業Aliceの脅威インテリジェンスと脆弱性分析にポストトレーニングして、精度が40%向上したと書かれています。
テキトー教師テキトー教師DotAI 認定講師
業種としては、サイバーセキュリティ、金融、ヘルスケアなどがポストトレーニングしていると。スレッドでも文書インテリジェンス、サイバーセキュリティ、金融、科学実験、旅行といったタスクが挙げられていました。
室谷室谷代表取締役
モデルの中身も面白くて、Nemotron 3 Ultraから蒸留して作られているんですよね。コーディング能力と、蒸留時に使うSkewReverse損失がコーディング精度の改善に寄与したと。

ポストトレーニングではマルチティーチャー・オン・ポリシー蒸留(MOPD)で、テキストと視覚の専門ティーチャーの指導を組み合わせていると説明されています。
テキトー教師テキトー教師DotAI 認定講師
アーキテクチャはMamba-2・TransformerハイブリッドのMoEで、MoE層あたり512のルーティングエキスパート、C-RADIOビジョンエンコーダと視覚言語コネクタを備える構成です。Multi-Token Prediction(MTP)によりネイティブな投機的デコーディングが可能になっています。
室谷室谷代表取締役
学習データも公開されていて、基盤の学習データは20兆トークン超、画像は100万〜10億枚、動画は1万〜100万時間。基盤データの収集期間は2013年から2025年12月までと書かれています。
テキトー教師テキトー教師DotAI 認定講師
インド系言語まわりでは、IIT MadrasとAI4Bharatラボと共同で開発した、22のインド言語にまたがる約2.8兆トークンのデータセットも公開されると説明されています。
室谷室谷代表取締役
こういう「重みもデータもレシピも出す」というスタンスが、NVIDIAのNemotronファミリーの一貫した戦略なんですよね。自社でポストトレーニングして自分たちの業務に合わせる、という使い方を強く想定している。

エージェントを本番運用したい企業にとっては、選択肢がまた一つ増えたということです。

よくある質問

室谷室谷代表取締役
ここからは、よく聞かれるポイントをまとめておきますね。
テキトー教師テキトー教師DotAI 認定講師
まず基本スペックから。Nemotron 3.5 Super VLは120B総パラメータ・12BアクティブのMoE構成で、最大100万トークンのコンテキストに対応します。

アーキテクチャはMamba-2・TransformerハイブリッドのMoEで、MoE層あたり512のルーティングエキスパート、C-RADIOビジョンエンコーダと視覚言語コネクタを備えます。
室谷室谷代表取締役
ライセンスはOpenMDW License Agreement version 1.1で、商用・非商用利用が可能とモデルカードに明記されています。
テキトー教師テキトー教師DotAI 認定講師
入手方法はHugging Faceで、ベース、ポストトレーニング済み、NVFP4量子化のチェックポイントが公開されています。Transformers、vLLM、SGLang、Docker Model Runnerでの利用手順がモデルカードに載っています。
室谷室谷代表取締役
日本語についてはどうですか。
テキトー教師テキトー教師DotAI 認定講師
基盤データには英語、その他19の話し言葉、43のプログラミング言語が含まれると説明されていますが、日本語に特化した評価結果は今回のソースでは明らかにされていません。インド系言語については専用データとベンチマーク結果が示されています。
室谷室谷代表取締役
対応している入力形式も整理しておきましょう。
テキトー教師テキトー教師DotAI 認定講師
入力はテキスト、画像、動画です。動画はmp4で最大2分、画像はRGBのjpeg・pngに対応。

文書はページ画像と付随テキストとして渡せます。出力はテキストです。
室谷室谷代表取締役
必要な計算リソースについては、NVIDIA NIMやDynamoを使ったデータセンター配備に加えて、DGX Sparkでのローカル実行も最適化されていると。ただ、具体的なGPU要件の細かい数字はソースでは明らかにされていません。
テキトー教師テキトー教師DotAI 認定講師
提供時期については、Hugging Faceで2026年10月15日に公開済みです。ホスト型のアクセスはOpenRouterで提供されると記載されています。

APIの従量課金の詳細は今回のソースには無いので、そこは続報待ちですね。
室谷室谷代表取締役
というわけで、Nemotron 3.5 Super VLは「テキストと視覚を1モデルに統合した、オープンでカスタマイズ前提のエージェント向けモデル」というのが本質なんですよね。分業構成の中で専門的なマルチステップ作業を担う、という位置づけがはっきりしているのが面白い。

自社データでポストトレーニングして使う前提のチームは、一度触ってみる価値があると思います。

Related

関連記事

New Articles

新着記事

ガイド

Grokの読み方は「グロック」か「グロク」か?公式回答と会社名・料金の最新事情

2026年11月18日
室谷テキトー教師
ガイド

GoogleのAIモードとAIによる概要の消し方|公式オフ機能の有無とPC・スマホの回避策

2026年11月18日
室谷テキトー教師
ガイド

Azure OpenAI Serviceとは?料金・モデル一覧・データの扱いを最新情報で整理

2026年11月18日
室谷テキトー教師
ニュース

Perplexityの「Orchestrator API」とは?45以上のモデルを1つのAPIキーに統合

2026年11月18日
室谷テキトー教師
ニュース

Microsoftの「Copilot Workspaces」とは?人とエージェントが協働する新体験

2026年11月18日
室谷テキトー教師
ガイド

Geminiのファミリープランは何人まで?Google AI Proを家族で割る料金と設定の手順

2026年11月18日
室谷テキトー教師
ニュース

Microsoft MAIとは?Ignite 2026で発表の7モデルと料金

2026年11月18日
室谷テキトー教師
ニュース

Replit Missionsとは?エージェントスウォームで目標達成型の自律実行

2026年11月18日
室谷テキトー教師
ニュース

Copilot Fusion Maxとは?Terminal-Bench 4.1首位の自動モデル選択

2026年11月18日
室谷テキトー教師
ニュース

Googleの「Gemini Tasks」とは?日本でも無料開始、Gemini 4 Hydrogen搭載

2026年11月18日
室谷テキトー教師

Join

AIプレナーになる。

入会は審査制です。いまの事業と、AIで何を動かしたいのかを聞かせてください。

参加を申請する