GTC Berlin: az NVIDIA bővíti nyílt modellcsaládját

Frissítve: 2026. október 21., 13:45

Mi változott?

Az NVIDIA október 21-én, a GTC Berlin keynote napján bővítette nyílt modellportfólióját (NVIDIA blog). A csomagban benne van a múlt héten kiadott Nemotron 3.5 Super VL is, ezért ezt most kihagyjuk. Az alábbiak az újdonságok:

• NVIDIA Kumo: nyílt foundation modellek és könyvtárak strukturált üzleti adatra. Előrejelzés, csalási kockázat pontozása, ajánlás és anomáliadetektálás táblákból, külön ML pipeline nélkül. Két része a Kumo Structured modellcsalád és a Kumo Engine nyílt könyvtár.
• Nemotron Retriever: öt új nyílt, kereskedelmi célra is használható modell (Hugging Face). A Nemotron 3.5 Embed 8B és 1B szövegben és dokumentumképeken (táblázat, diagram, infografika) is keres, az 1B NVFP4 kvantált változatban is elérhető. A Nemotron 3.5 Rerank 8B a találatok sorrendjét pontosítja, a 631 millió paraméteres Nemotron 3.5 Parse pedig dokumentumképekből készít strukturált szöveget. Az NVIDIA mérései szerint az Embed 8B 61,17 nDCG@10 pontszámmal első a dense retrieval modellek között a ViDoRe v3.1 ranglistán, a Rerank 8B 60,49 ponttal első a reranking ranglistán, a Parse pedig 75,20 ponttal első a ParseBench 1 milliárd paraméter alatti mezőnyében. Agentes teszten a reranker kb. 13-14%-kal csökkentette a lekérdezésenkénti tokenköltséget.
• Cosmos: új post-training és optimalizáló eszközök world modelekhez kevesebb számítással, szimulációs checkpointok vezetési és robotmanipulációs tesztekhez, illetve a Cosmos Data Factory blueprintek tanítóadat gyűjtésére, címkézésére, generálására és értékelésére.
• Alpamayo 2 Edge: kompakt reasoning modell autonóm járművekbe, valós idejű jelenetértelmezésre és útvonaltervezésre, DRIVE AGX Thor platformra optimalizálva.
• BioNeMo RFD4-Proteina: nyílt fehérjetervező modell a Washingtoni Egyetem Baker Labjával. Az NVIDIA szerint több mint 10 tervezési feladatban élen van, 200 aminosavas fehérjéknél kb. 13-szor gyorsabban generál, mint az RFdiffusion3.
• Az RFD4-Proteina már partnereken keresztül is elérhető, köztük az Anthropic Claude Science, az OpenAI, a Google Cloud és az Amazon Bio Discovery felületén. Az NVIDIA szerint négy benchmarkcsomagon jobb tervezési sikerarányt ért el a vizsgált alapmodelleknél (gyártói adat). Ugyanitt jelentették be, hogy a Siemens Healthineers Nemotron modellekkel kísérletezik agentes sugárterápia-tervezésen.
• Ising: nyílt modellcsalád kvantumprocesszorok kalibrálására és hibajavítására (NVIDIA Developer). Az AWS a Parallel Computing Service-be integrálja.

Mi érhető el most?

A Kumo, a Nemotron Retriever, a Cosmos, az RFD4-Proteina és az Ising már letölthető a Hugging Face-ről vagy a GitHubról, több közülük NIM microservice-ként a build.nvidia.com-on is fut. Az Alpamayo 2 Edge a hónap végén jön, a Nemotron 3.5 Bolt E4B 4GB változata pedig október 23-ra várható. A Nemotron Retriever modellek NIM-ként, illetve a Baseten, a DeepInfra és a FriendliAI felhőjén is futnak.

Miért fontos?

A legérdekesebb új darab a Kumo. A legtöbb cégnél az adat táblákban van, az LLM-ek pedig ebben gyengék. Ha egy előtanított modell finomhangolással kiváltja a feladatonként külön épített ML pipeline-t, az agentek közvetlenül tudnak előrejelzést kérni a saját adatból. A teljesítményről a bejelentés nem közöl számokat, ezért érdemes saját adaton kipróbálni, mielőtt bármit lecserélnénk.