2026. október 16., péntek · Modellek

Nvidia kiadta a Nemotron 3.5 Super VL nyílt agensmodellt

Az Nvidia kiadta a Nemotron 3.5 Super VL nyílt, multimodális modellt: 120 milliárd paraméteres mixture-of-experts architektúrája tokenenként csak 12 milliárd paramétert aktivál – írja a The Decoder és az Nvidia technikai blogja. A modellt vállalati agensfeladatokra, dokumentum-, kép- és videóelemzésre szánták, fejlesztésében a Mistral AI, a Thinking Machines Lab, a Perplexity és a Black Forest Labs is részt vett a Nemotron Coalition keretében. Az Nvidia állítása szerint a Super VL a nagyobb Nemotron 3 Ultra pontosságát hozza ötödannyi paraméterrel, és egyetlen GPU-n akár ötszörös áteresztőképességet ér el hasonló méretű nyílt modellekhez képest. Mellette két kisebb, helyi gépekre szánt Bolt-változat is megjelent: a 24 GB memóriájú rendszerekhez való 74B-A9B és a később érkező, 4 GB-os E4B hangasszisztensekhez. A vállalat szerint a Scale AI, a Ramp és az AI21 már utótanította a modellt, akár 40-szer alacsonyabb következtetési költséget elérve vele.

Miért fontos?

A nyílt modellt az Nvidia minden változatban kizárólag saját hardverére optimalizálja, ami a lap szerint a chip- és rendszerértékesítést hivatott ösztönözni.

Források

NVIDIA Technical Blog Hivatalos The Decoder

Kapcsolódó témák

Napi összefoglalók AI kutatás #Nvidia Nemotron 3.5#vállalati AI-agensek

Napi összefoglaló

Ez a hír a 2026. október 16., péntek napi AI összefoglaló része.

Kapcsolódó hírek

Hassabis: az AGI már két-három éven belül itt lehet

Demis Hassabis, a Google DeepMind alapítója és kémiai Nobel-díjas tudós a Wall Street Journalnak adott interjúban arról beszélt, hogy becslése szerint az általános mesterséges intelligencia (AGI) már két-három éven belül megérkezhet, szemben a korábbi, három-öt éves jóslatával. A Decoder cikke szerint Hassabis AGI-definíciója egy olyan rendszer, amely lefedi az emberi agy teljes kognitív skáláját, és ezt az úgynevezett „Einstein-teszttel” mérné: képes-e egy kizárólag 1901 előtti tudáson tanított rendszer reprodukálni Einstein 1905-ös dolgozatait. Hassabis az AGI hatását „10-szer akkorának és 10-szer gyorsabbnak” nevezte, mint az ipari forradalom. A cikk szerint Hassabis a Google DeepMind éléről lelépve most a cég gyógyszerkutatási leányvállalatára, az Isomorphic Labsra összpontosít, emellett egy iparág által finanszírozott, kormányzati felügyelet alatt álló testületet javasolt a modellek kiadás előtti ellenőrzésére.

NVIDIA RFD4-Proteina: gyorsabb fehérjetervezés reward-vezérelt kereséssel

Az NVIDIA bejelentette az RFD4-Proteina nyílt modellt, amelyet a Washingtoni Egyetem Orvostudományi Karának Protein Design Intézetével közösen fejlesztettek ki. A vállalat szerint a modell egy lépésben tervezi meg a fehérjeszekvenciát és a teljes atomi szerkezetet, kiküszöbölve a korábbi megközelítések külön inverz-folding lépését. Az NVIDIA állítása szerint a reward-vezérelt, inferencia idejű keresés a számítási kapacitást a legígéretesebb jelöltekre összpontosítja, a mintavételezési lépések számát pedig mintegy 400-ról 60-ra csökkentették, ami 3,8-szoros gyorsulást és 84 százalékkal kisebb csúcsmemória-igényt eredményez 200 aminosavas fehérjéknél az elődmodellhez, az RFD3-hoz képest. A modell nyílt forráskódú változatként és NIM mikroszolgáltatásként is elérhető, és a vállalat szerint olyan feladatokra használható, mint a PD-L1 onkológiai célpont elleni kötőfehérjék tervezése hotspot-megkötésekkel.

Elevenlabs két új valós idejű beszédmodellt jelentett be

Az Elevenlabs két új speech-to-speech modellt adott ki Eleven Realtime néven: a v1 Max és a v1 Mini változatot. A cég állítása szerint a v1 Max 98,8 százalékot ér el a Big Bench Audio benchmarkon, mindössze 0,57 másodperces válaszidővel, és jelenleg egyetlen modell sem gyorsabb és pontosabb egyszerre az Artificial Analysis ranglistáján. A kisebb v1 Mini modellt természetes, olcsóbb beszélgetésekre fejlesztették, és felismeri, ha valaki befejezte a mondandóját vagy csak "mm-hmm"-mel reagál, míg a v1 Max komplexebb feladatokra, például ügyfélszolgálati célokra készült. Mindkét modell elérhető az ElevenAgents platformon, valamint egy OpenAI-kompatibilis Realtime API-n keresztül, percalapú díjazással és token-költséggel.

Mistral AI bemutatta a Voxtral 3 hangügynök-rendszert

A Mistral AI bejelentette a Voxtral 3 nevű modellcsaládot, amely valós idejű hangalapú AI-ügynökök építésére szolgál. A rendszer tartalmaz egy beszédfelismerő modellt (Voxtral Small Transcribe 3), egy szövegfelolvasó modellt (Voxtral Mini TTS 3), valamint egy LiveKit-alapú ügynök-SDK-t, amelyek egyetlen streamelt folyamatban egyesítik a hallgatást, a gondolkodást, az eszközhasználatot és a beszédet. A vállalat szerint az átirat-készítés több mint 50 nyelvet, a beszédszintézis pedig 35 nyelvet és 50 dialektust fed le érzelmi adaptációval. A cég közlése szerint az ügynökök élő beszélgetés közben külső rendszerekhez is hozzáférhetnek, például időpontfoglaláshoz vagy számlaellenőrzéshez. Mistral azt állítja, hogy a rendszer futtatható saját infrastruktúrán vagy EU-ban hosztolt API-kon keresztül, az átírás ára pedig percenként 0,0035 dollártól indul.