NVIDIA lança Nemotron 3.5 Super VL 120B e Bolt para agentes

Introdução

Nemotron 3.5 Super VL é a nova aposta da NVIDIA para agentes corporativos, com pesos abertos, visão e eficiência para completar tarefas longas com mais velocidade e controle. Junto dele, a família ganha os modelos Bolt para rodar agentes localmente em RTX e edge, equilibrando inteligência e velocidade em apenas 24 GB. (blogs.nvidia.com)

O anúncio oficial em 15 de outubro de 2026 coloca o Nemotron 3.5 Super VL como o modelo aberto mais rápido da sua classe, com ganhos de até 5x de throughput em tarefas agenticas, além de melhorias de acurácia e personalização via NeMo. Já o Bolt 74B A9B 24GB chega otimizado para laptops RTX e desktops, com suporte a ecossistemas populares de inferência. (blogs.nvidia.com)

O que muda com o Nemotron 3.5 Super VL 120B

Nemotron 3.5 Super VL combina linguagem, visão e uso de ferramentas com uma arquitetura Mixture of Experts híbrida que ativa cerca de 12 bilhões de parâmetros por token, equilibrando capacidade e eficiência. O foco é resolver fluxos de trabalho onde o agente lê páginas da web, PDFs, gráficos e tabelas, extrai dados e age, tudo dentro do mesmo contexto. Em medições internas, o modelo entrega até 5x mais throughput que abertos de tamanho similar para tarefas agenticas, e passa de 600 tokens por segundo em cenários padronizados. (developer.nvidia.com)

Além da eficiência, o pacote vem com pesos abertos, datasets e receitas de treino. O Super VL foi treinado com cerca de 26 trilhões de tokens entre pretraining e continued pretraining, depois recebeu pós-treino com aproximadamente 3,8 milhões de amostras e reforço em dezenas de ambientes. A equipe libera ainda datasets no Hugging Face para tool use, finanças, instrução, long context e visão, junto com ambientes de RL no NeMo Gym. (blogs.nvidia.com)

Em termos práticos, isso significa menos roteamento entre modelos diferentes e menos perda de contexto. Um único agente consegue ler uma planilha, cruzar com um PDF, checar fontes externas e decidir o próximo passo. A integração com o NeMo facilita SFT, LoRA e RL, além de controles de política e ferramentas internas. Casos reportados mostram reduções de custo de inferência, diminuição de latência e ganhos de acurácia em cenários reais. (developer.nvidia.com)

Bolt no edge, agentes locais em 24 GB

Rodar agentes localmente reduz custos, eleva privacidade e melhora responsividade em tarefas diárias. O Nemotron 3.5 Bolt 74B A9B 24GB foi projetado exatamente para isso. Com quantização nativa de 2 bits, cabe em 24 GB e roda em laptops RTX, desktops e estações profissionais sem monopolizar os recursos da máquina. O posicionamento de produto destaca um balanço entre inteligência e velocidade, visto como primeiro da sua classe no PinchBench e segundo no BrowseComp entre modelos abertos equivalentes. (blogs.nvidia.com)

O roadmap inclui também o Bolt E4B 4GB, otimizado para agentes conversacionais e físicos em GeForce RTX e Jetson. Para quem precisa protótipos rápidos, há suporte anunciado para ferramentas populares como llama.cpp, Ollama, LM Studio, Unsloth e vLLM, além de publicação de pesos no Hugging Face e integração via NIM. Isso encurta o caminho entre POC e produção local. (blogs.nvidia.com)

Arquitetura, contexto e desempenho, o que está por trás

A série 3.5 mantém a filosofia de ativação parcial, combinando blocos Mamba e atenção em um arranjo de experts que permite grandes capacidades sem custo proporcional por token. O Super VL é um 120B com 12B ativos por passo, treinado para lidar com linguagem, imagens, vídeo e ambientes interativos com ferramentas. O suporte a contexto chega a 1 milhão de tokens, resultado de estágios dedicados de long-context training, inclusive com recuperação de desempenho em RULER-1M. (research.nvidia.com)

Do lado de inferência, há uma pilha de técnicas para aumentar velocidade sem perder qualidade. LiLiCorr melhora o decodificador especulativo ao avaliar candidatos de forma conjunta no rascunho, MTP adiciona cabeças que propõem múltiplos tokens aceitos de uma vez, e a quantização NVFP4 com distilação consciente fecha a lacuna de acurácia em relação a BF16, inclusive para KV-cache. Em Blackwell, NVFP4 usa 4 bits para pesos e ativações, com receitas ajustáveis para outras GPUs. Em medições publicadas, a recuperação mediana de acurácia do checkpoint NVFP4 ficou em 99,62 por cento contra BF16, e o throughput por usuário alcança metas de 50 tokens por segundo com até 4.856 tokens por segundo por GPU em GB200. (research.nvidia.com)

Essas otimizações aparecem também no ambiente de serving. Com a receita Dynamo, é possível atender até 8x mais usuários com 85 por cento menor latência de time-to-first-token, medido a 50 tokens por segundo por usuário. Para quem opera agentes sempre ativos, throughput e uso de tokens por tarefa impactam o tempo total de conclusão muito mais do que um único pico de velocidade. (developer.nvidia.com)

Casos reais, o que empresas já estão fazendo

O anúncio destaca organizações que já pós-treinaram o Super VL para seus fluxos especializados. Scale AI reportou ganhos expressivos ao automatizar crédito de fornecedores na Skydance, com queda de custo de inferência em 40x e latência 5x menor. Ramp converte imagens de recibos em JSON estruturado, esperando até 50 por cento mais throughput e 10x menos latência. AI21 e Alice melhoraram detecção de ameaças e análise de vulnerabilidades com 41 por cento de ganho de acurácia. Esses números ilustram como um modelo aberto e customizável entrega valor imediato quando conectado a dados, ferramentas e políticas de cada negócio. (developer.nvidia.com)

O post técnico também relata resultados em benchmarks como Hermes Bench e avaliações comportamentais de LangChain, onde o Super VL superou o Nemotron 3 Ultra em setups divulgados. Para visão, o modelo aparece entre os primeiros no OCRBench v2. Em Indic, graças a um estágio dedicado de pretraining com 22 idiomas, liderou em cinco benchmarks citados. Embora medições dependam do setup e do harness de agente, o padrão é consistente, mais trabalho feito, em menos tempo, no mesmo orçamento de GPU. (developer.nvidia.com)

Onde roda e como começar

A NVIDIA posiciona o Super VL para todo o stack, de DGX Spark e DGX Station a workstations RTX PRO, passando por GeForce RTX, Jetson e nuvem. Os pesos abertos estão no Hugging Face, com suporte via NIM para implantação empresarial e atualizações quinzenais de patches e performance. Para customização, há cookbooks no GitHub com vLLM, SGLang e TensorRT-LLM, além de pipelines Python e bibliotecas NeMo. A documentação inclui ainda receitas de avaliação, datasets e drafters independentes como LiLiCorr. (blogs.nvidia.com)

Do ponto de vista de produto, a combinação de abertura, controle e privacidade é central. Rodar no seu datacenter ou desktop permite cumprir requisitos de residência de dados e auditoria, enquanto o pós-treino molda o agente ao seu jargão, às suas ferramentas e aos seus critérios de decisão. Para quem vai ao edge, Bolt 74B A9B 24GB viabiliza delegar pesquisas, escrita e depuração de código localmente, sem enviar a carga para a nuvem, o que reduz latência e riscos de exposição. (blogs.nvidia.com)

Métricas que importam para agentes produtivos

Para operações com agentes, a meta não é apenas acurácia bruta, e sim tempo para completar tarefas complexas com o menor custo e a maior confiabilidade. A NVIDIA apresenta gráficos de velocidade versus acurácia em que o Super VL lidera sua classe em tempo total de conclusão, além de aparecer no topo de índices independentes focados em tarefas agenticas de longo prazo. Esses resultados refletem throughput, eficiência de tokens, chamadas de ferramenta mais precisas e menos passos redundantes. (developer.nvidia.com)

Outra métrica crítica é a densidade de usuários por GPU. As receitas de inferência e a quantização NVFP4 ajudam a escalar sem degradar a experiência de cada usuário, algo vital para agentes persistentes que atendem filas de solicitações, rodam verificações e mantêm contexto entre interações ao longo de dias. Para equipes que já investiram em A100, H100, B200, GB200 e GB300, há validação e recomendações específicas, o que reduz o risco de migração. (research.nvidia.com)

Aplicações práticas, do escritório ao chão de fábrica

• Backoffice financeiro, extração de dados de notas, faturas e contratos, com validações contra políticas internas e ERPs. O Super VL lê PDFs, entende tabelas e dispara ações. Ganhos reportados incluem quedas substanciais de custo e latência após o pós-treino. (developer.nvidia.com)
• Segurança, triagem de alertas, enriquecimento de IOCs e simulação de ataques de blue team. Parceiros citados trabalham em agentes especializados para resposta mais rápida e contextualizada. (blogs.nvidia.com)
• Engenharia de software, agentes que planejam, escrevem e validam código. O Super VL superou versões anteriores e rivais em APEX-SWE, DeepSWE e Terminal-Bench nos setups avaliados, além de integrar com harnesses populares. (research.nvidia.com)
• Pesquisa e atendimento, agentes que pesquisam na web, conectam fontes e respondem com citações, mantendo histórico longo. A capacidade multimodal evita perder contexto quando a tarefa muda de texto para gráfico ou vídeo. (developer.nvidia.com)

Como extrair valor no curto prazo

• Começar com pesos abertos e NIM, montar um endpoint otimizado que suporte 50 tokens por segundo por usuário em picos realistas de uso. Isso cria uma base estável para pilotos controlados e avaliação de ROI. (research.nvidia.com)
• Pós-treinar com seus dados e ferramentas. Usar SFT e LoRA para idioma de domínio e RL para refletir políticas operacionais. Conectar ambientes do NeMo Gym para medir comportamentos desejados e verificação de passos. (developer.nvidia.com)
• Planejar a arquitetura de agente por camadas. Deixar o Super VL para tarefas multimodais e multi-etapas. Usar Lightning para alto volume de texto. Reservar um frontier para planejamento pesado quando necessário. Essa orquestração reduz custo por tarefa mantendo qualidade. (developer.nvidia.com)
• Para edge, validar o Bolt 74B A9B em 24 GB, com integrações imediatas em llama.cpp, Ollama e LM Studio. Testar workloads locais típicos, como pesquisa, escrita e depuração, comparando tempo total e custo frente a soluções na nuvem. (blogs.nvidia.com)

Perguntas de compra que aceleram decisões

• O time precisa de visão, OCR e leitura de tabelas dentro do mesmo agente, sem roteamento entre modelos, ou texto puro atende, nesse caso Lightning pode bastar. (developer.nvidia.com)
• Há requisito de residência de dados, auditoria ou latência que exija execução local. Se sim, priorizar Super VL em servidores sob seu controle, ou Bolt em edge. (blogs.nvidia.com)
• O orçamento de GPU e o perfil de tráfego sustentam 50 tokens por segundo por usuário, com throughput agregado suficiente. Ajustar NVFP4, LiLiCorr e MTP reduz custo mantendo acurácia. (research.nvidia.com)

Reflexões e insights

Abrir pesos e receitas muda o jogo para agentes de produção. Controlar onde o modelo roda e como aprende com seus dados viabiliza segurança, governança e custo previsível. A abordagem multimodal unificada do Super VL limita o vai e vem entre modelos, que é onde se perde tempo, contexto e dinheiro. Em edge, o Bolt preenche o espaço entre assistentes rápidos e agentes realmente úteis, já que combina velocidade por GB com inteligência suficiente para resolver o grosso das tarefas do dia a dia.

Os números apresentados são encorajadores, porém a decisão deve considerar o seu mix de ferramentas, benchmarks internos e SLAs reais. Agentes que dependem de extração complexa de documentos, raciocínio com gráficos e validação por regras corporativas se beneficiam mais do Super VL com pós-treino. Já fluxos de code review em alto volume ou atendimento textual podem escalar melhor com Lightning e um frontier orquestrando planos quando necessário. (developer.nvidia.com)

Conclusão

Nemotron 3.5 Super VL 120B chega como referência aberta para agentes, combinando visão, raciocínio e uso de ferramentas com eficiência que se traduz em mais trabalho concluído em menos tempo. Os resultados de throughput, personalização e casos em produção indicam maturidade para ir além do laboratório, especialmente quando a empresa precisa de controle, privacidade e portabilidade de infraestrutura. (blogs.nvidia.com)

Para quem quer acelerar pilotos e reduzir dependência de nuvem, os modelos Bolt viabilizam agentes locais em 24 GB com boas integrações. A estratégia recomendada é testar onde o valor aparece primeiro, conectar dados e ferramentas do negócio e medir tempo de tarefa de ponta a ponta. Quem conseguir transformar esse ganho em processos repetíveis vai colher produtividade real, hoje.