NVIDIA Nemotron 3.5 Super VL：1200亿参数视觉AI Agent

NVIDIA 发布了 Nemotron 3.5 Super VL，一款定位为「Ultra 级」的视觉语言模型。它只有 1200 亿总参数、120 亿激活参数，却宣称性能对标甚至超越 Nemotron 3 Ultra。更关键的是，它能塞进单台 DGX 系统运行，并且专为 Agent 工作流做了优化。

据 YouTube 官方频道介绍，Super VL 的 VL 代表视觉语言能力，可以直接解析复杂文档、扫描件和截图。视频中展示的案例是一个能自主调查 AI 使用仪表盘的 Agent——通过读图、读扫描件、写代码、出提案，完成了一次完整的成本审计任务。

Ultra 级性能，单机部署

Christ 在视频开头给出了一组核心定位：Nemotron 3.5 Super VL 属于「Ultra 级模型」，意味着它的能力与 Nemotron 3 Ultra 相当甚至更好，但参数规模被大幅压缩——总参数 1200 亿，激活参数仅 120 亿。

这里的思路是模型蒸馏。NVIDIA 把 Nemotron 3 家族（包括 Ultra）训练中积累的能力，压缩进一个单 DGX 即可承载的模型里。对 Agent 场景来说，这解决了两个现实问题：一是推理延迟要低，token 出得快，Agent 循环才跑得动；二是模型不能太大，否则部署成本和响应速度都无法接受。

Super VL 的取舍很明确：不追求参数规模上的「大」，而是追求「够用且快」，把视觉理解和工具调用能力作为核心卖点。

激活参数与 MoE 架构：Super VL 的 120 亿激活参数指的是其采用混合专家（MoE）架构时，每次前向推理实际参与计算的参数子集。总参数 1200 亿表明模型整体容量很大，但每个 token 只路由到其中约十分之一的专家网络，因此计算量和显存带宽占用更接近一个 120 亿参数的稠密模型。这正是它能单台 DGX 部署、且延迟较低的关键——模型知识容量靠总参数撑起来，推理成本却由激活参数决定。

蒸馏（Distillation）：文中提到 NVIDIA 将 Nemotron 3 家族训练中积累的能力压缩进 Super VL，这属于知识蒸馏。常见做法是用大模型（教师）的输出分布、中间特征或思维链数据来训练小模型（学生），让学生在特定任务上逼近教师表现。对 Agent 场景而言，蒸馏的目标不是复刻通用对话能力，而是把视觉读取、推理和工具调用这些关键技能迁移过来，用更小的参数规模换取可接受的性能。

一个 Agent 完整的成本调查闭环

视频中由 Chachi 演示的 Agent 案例，展示了 Super VL 在真实任务链路中的表现。任务背景是：团队把 AI 帮助台切换到了更便宜的模型，结果 AI 账单反而涨了 30%。

Agent 的执行步骤包括：

• 读仪表盘截图：直接从截图中提取数值——支出上涨 30%，工单量仅上涨 3%，两者不成比例，说明问题不在用量上。
• 读扫描版价目表：打开一张扫描图片格式的价目表，逐行读出每个模型的价格。这一步考验的是对非结构化图像的文字识别与理解。
• 定位成本来源：发现团队切换到某个 thinking 模型后，每日消耗的 thinking token 超过原来的 100 倍——这才是账单暴涨的真正原因。

• 编写 Python 代码做路由决策：Agent 自己写了一支 Python 脚本，在满足质量门槛的前提下，为每种工单类型挑选最便宜的模型。
• 生成提案并等待人工审批：最终输出一份路由方案，不直接改动任何配置，而是提交给人审核。方案声称在保持质量达标的同时，每月可节省约 10 万美元。

整个流程没有人工逐步引导——Agent 从截图输入出发，自主完成了「观察→分析→写代码→出提案」的完整闭环。这也是官方想强调的能力组合：视觉读取 + 推理 + 代码生成 + 工具调用。

Agent 循环与 thinking token：Agent 工作流通常是一个「观察—推理—行动」的循环，模型需要反复读取环境反馈、决定下一步调用哪个工具。Super VL 被优化以支持这种快速循环，强调低延迟和高 token 吞吐。案例中提到的 thinking token 指模型在给出最终答案前生成的内部推理或思维链 token，这类 token 不直接展示给用户，但会消耗大量计算和费用。当团队切换到某个 thinking 模型后，每日 thinking token 消耗暴涨超过 100 倍，正是账单激增的根因——这也解释了为何路由策略需要区分普通回复和需要深度思考的请求。

从 Demo 到落地：Super VL 的定位

这个 demo 的价值不在于「10 万美元」这个数字本身，而在于它展示的 Agent 形态：一个不需要结构化数据输入、直接看图和扫描件就能干活的分析型 Agent。

传统做法里，这类任务需要先把仪表盘数据导出成 CSV、把价目表整理成结构化表格，Agent 才能处理。Super VL 省掉了这一步——截图和扫描件就是输入格式。对很多企业内部系统来说，这大幅降低了接入门槛，因为大量关键信息本来就只存在于截图和 PDF 扫描件中。

当然，Demo 是理想条件下的展示。实际落地时，图像的清晰度、版式复杂度、多语言混排等因素都会影响读取准确率。NVIDIA 表示发布了完整技术报告、cookbook、端到端 recipe，以及训练所用的数据和环境，这些都值得进一步验证。

视觉语言模型（VLM）：Super VL 中的 VL 代表视觉语言能力，即模型能同时处理图像和文本。与只用 OCR 提取文字再用语言模型处理的串联方案不同，VLM 在统一框架内联合理解图像布局、表格结构和文字语义，因此更适合解析复杂文档、扫描件和截图。它在 Agent 里的价值在于免去了把仪表盘截图导出成 CSV、把扫描价目表手工整理成表格的前置步骤，让非结构化视觉输入直接进入推理链路，降低企业内部系统的接入门槛。

值得关注的点

结合官方视频信息，Nemotron 3.5 Super VL 的差异化在于三点：单机可跑的 Ultra 级性能、原生视觉语言能力、面向 Agent 工作流的效率优化。它瞄准的不是通用聊天场景，而是需要快速循环、频繁调用工具、直接处理视觉输入的 Agent 应用。

视频还提到 Nemotron 3.5 Lightning 的技术细节也会包含在技术报告中，说明这一代产品线不止一个型号。对于正在搭建视觉 Agent 或文档理解管线的团队，Super VL 提供了一个可以本地部署、无需依赖闭源 API 的选项。

官方发布的 cookbook 和端到端 recipe 是上手的最短路径，建议直接参考这些资源做验证，而不是仅凭 demo 判断实际效果。