NVIDIA: Nemotron Nano 12B 2 VL (free)

NVIDIA Nemotron Nano 2 VL – це відкрита мультимодальна модель міркування з 12 мільярдами параметрів, розроблена для розуміння відео та інтелектуальної обробки документів. Вона представляє гібридну архітектуру Transformer-Mamba, що поєднує точність рівня Transformer з пам'яттю-ефективним моделюванням послідовностей Mamba для значно вищої пропускної здатності та нижчої затримки. Модель підтримує введення тексту та багатозображувальних документів, генеруючи вивід природною мовою. Вона навчена на високоякісних синтетичних наборах даних, відібраних NVIDIA, оптимізованих для оптичного розпізнавання символів, аналізу діаграм та мультимодального розуміння. Nemotron Nano 2 VL досягає провідних результатів на OCRBench v2 та отримує в середньому ≈ 74 бали на MMMU, MathVista, AI2D, OCRBench, OCR-Reasoning, ChartQA, DocVQA та Video-MME — перевершуючи попередні відкриті VL базові моделі. Завдяки ефективній вибірці відео (EVS) вона обробляє довгі відео, одночасно знижуючи витрати на виведення. Відкриті ваги, навчальні дані та рецепти тонкого налаштування випущені під дозволеною відкритою ліцензією NVIDIA, з підтримкою розгортання через NeMo, NIM та основні середовища виконання висновків.