Nvidia, Nemotron 3.5 Super VL açık ağırlıklı modelini piyasaya sürdüNvidia releases open-weight Nemotron 3.5 Super VL model

ÖzetSummary

Nvidia, Nemotron 3.5 Super VL adlı 120 milyar parametreli açık ağırlıklı modeli yayımladı. Şirket, bu modelin en yakın rakibinden beş kat daha hızlı olduğunu öne sürüyor. Nvidia, yerel ve cihaz üstü ajan iş yüklerine yönelik iki daha küçük kenar modeli (24 GB ve 4 GB) de sunuyor.Nvidia has released Nemotron 3.5 Super VL, a 120-billion-parameter open-weight model. The company claims the model is five times faster than its closest competitor. Nvidia is also offering two smaller edge models (24 GB and 4 GB) targeted at local and on-device agent workloads.

Neden ÖnemliWhy it matters

Bu lansman, Nvidia, Mistral ve Reflection AI gibi Batılı laboratuvarların, DeepSeek ve Moonshot gibi Çinli laboratuvarların yıllardır elinde tuttuğu açık ağırlıklı model açığını kapatma yönündeki görünür hamlesini işaret ediyor. Kurumsal müşteriler için özel veriler üzerinde ince ayar yapma ve çıkarımı kendi altyapılarında gerçekleştirme imkânı, veri egemenliği ve maliyet baskılarını doğrudan karşılıyor. Bu durum, açık ağırlıklı modellerin benimsenmesini hızlandıran faktörler arasında yer alıyor. Lansman ayrıca, Hugging Face’te yaşanan güvenlik olayının, alıcıların açık ve kapalı modellerin risk dengesini nasıl değerlendirdiğini yeniden şekillendirdiği bir dönemde gerçekleşiyor.This launch signals a visible move by Western labs like Nvidia, Mistral, and Reflection AI to close the open-weight model gap that Chinese labs such as DeepSeek and Moonshot have held for years. For enterprise customers, the ability to fine-tune on private data and run inference on their own infrastructure directly addresses data sovereignty and cost pressures, which are key factors accelerating the adoption of open-weight models. The launch also arrives at a time when the Hugging Face security incident is reshaping how buyers assess the risk balance between open and closed models.

Öne ÇıkanlarHighlights

• Artificial Analysis’a göre 120 milyar parametreli model, Ling 3.0 Flash (InclusionAI) ve V4.1 Flash (DeepSeek) modellerinden 5 kat daha hızlıAccording to Artificial Analysis, the 120-billion-parameter model is five times faster than the Ling 3.0 Flash (InclusionAI) and V4.1 Flash (DeepSeek) models.
• Sağlık sigortası geri ödeme görevi üzerinde yapılan eğitim sonrası işlem, doğruluğu %44 artırdı ve modeli bu dar alanda Claude Opus 5’in üzerine çıkardıPost-training on a health insurance reimbursement task improved accuracy by 44%, surpassing Claude Opus 5 in this narrow domain.
• Yerel ajanlar için Bolt 74B-A9B (24 GB) ve cihaz üstü sohbet ajanları için Bolt E4B (4 GB) olmak üzere iki kenar varyantı, 'gigabayt başına zekâ' verimliliğini hedefliyorTwo edge variants—Bolt 74B-A9B (24 GB) for local agents and Bolt E4B (4 GB) for on-device chat agents—aim for 'intelligence per gigabyte' efficiency.

EleştiriCritical take

Başlıktaki hız ve doğruluk iddiaları, tek bir kıyaslama kaynağına (Artificial Analysis) ve tek bir dar kapsamlı eğitim sonrası örneğine dayanıyor. Bu iki veri noktası, Nvidia’nın öne sürdüğü geniş kapsamlı ve haftalar süren kurumsal ajan iş akışlarına genellenemiyor. Makale ayrıca, Hugging Face ihlalini açık ağırlıklı modelleri bir güvenlik çözümü olarak çerçevelemek için kullanıyor. Oysa herkese açık dağıtılan 120 milyar parametreli bir ağırlık dosyası, makalenin sorgulamadığı kendi tedarik zinciri ve veri sızıntısı risklerini de beraberinde getiriyor.The speed and accuracy claims in the headline rely on a single benchmark source (Artificial Analysis) and a single narrow post-training example. These two data points cannot be generalized to the broad, weeks-long enterprise agent workflows Nvidia proposes. Furthermore, the article uses the Hugging Face breach to frame open-weight models as a security solution, yet a 120-billion-parameter weight file distributed publicly carries its own supply chain and data leakage risks, which the article fails to question.