NVIDIA анонсировала Nemotron 3 Nano Omni: мультимодальный ИИ для документов, аудио и видео с упором на агентские задачи

NVIDIA представила Nemotron 3 Nano Omni — новую мультимодальную языковую модель с открытыми весами, ориентированную на обработку длинного контекста и сложные корпоративные рабочие нагрузки. Архитектурно модель построена на базе языкового бэкбона Nemotron 3 Nano 30B-A3B в связке с визуальным энкодером C-RADIOv4-H и аудиоэнкодером Parakeet-TDT-0.6B-v2, объединенными через легковесные проекторы. По заявлению разработчиков, новинка демонстрирует высокую системную эффективность по сравнению с аналогичными open-source omni-моделями: в 7.4 раза выше для задач анализа документов и в 9.2 раза выше для видеокейсов при сохранении фиксированного порога интерактивности для пользователя. Ключевые сценарии использования и возможности: * Глубокий анализ документов: Обработка отчетов, контрактов и техдокументации объемом от 100+ страниц с учетом верстки, таблиц, формул и перекрестных ссылок. * Распознавание речи (ASR): Транскрипция аудиофайлов в сложных условиях (акценты, фоновый шум, многоспикерные сессии). * Мультимодальный анализ видео: Совместная обработка аудио и видеоряда (скринкасты, зум-митинги с презентациями, обучающие видео). * Агентские GUI-интерфейсы: Автоматизация действий в графическом интерфейсе за счет анализа скриншотов и мониторинга состояния UI. * Сложные логические цепочки: Синтез информации из текста, изображений и таблиц в рамках длинного контекстного окна. 💡 Где захостить и как запустить: Рассчитать точный VRAM под кванты этой модели, скорость генерации (токенов/сек) и выбрать подходящий сервер с GPU можно у нас на ServerSales в калькуляторе AI-моделей (/ai) или каталоге GPU (/gpu).