NVIDIA发布Nemotron 3.5 Super VL：120B开源多模态智能体模型

NVIDIA在开源模型赛道再度加码。据MarkTechPost报道，NVIDIA正式发布Nemotron 3.5 Super VL——一个总参数量达120B的开源多模态MoE模型，同时推出两款面向边缘场景的Bolt系列模型。这一动作延续了NVIDIA近期在开源权重与智能体（Agent）方向上的密集布局，也把"大参数+低激活+超长上下文+边缘可部署"这组看似矛盾的组合推到了台前。

核心规格：120B总量、12B激活与1M上下文

Nemotron 3.5 Super VL最受关注的，是它的架构与规格组合。

这是一个MoE（混合专家）模型，总参数量120B，但推理时仅有12B激活参数。这意味着它在保留大模型容量上限的同时，把实际计算开销压到接近中小型稠密模型的水平。对部署方而言，这直接决定了吞吐与成本的量级。

上下文长度达到1M token，属于当前开源多模态模型中相当激进的一档。长上下文对智能体任务尤为关键——多轮工具调用、长文档理解、跨文件代码分析，都需要模型在单次会话中维持大量状态。

权重格式方面，Nemotron 3.5 Super VL采用NVFP4。这是NVIDIA推动的低精度数值格式，目标是在几乎不损失精度的前提下大幅压缩显存占用和带宽需求。

单台DGX Spark即可运行

真正让这条发布具备传播度的细节是：NVFP4权重可在一台DGX Spark上运行。

DGX Spark是NVIDIA面向桌面级/个人AI开发场景的紧凑型设备。一个120B规模的模型能够跑在单台此类设备上，说明量化与稀疏激活的协同优化已经跨过了一个实际门槛。对于买不起多卡集群的研究者和中小团队，这是可操作性上的实质变化，而不只是参数表上的数字。

MoE（混合专家，Mixture of Experts） 是一种把单一稠密网络拆成多组"专家"子网络的稀疏架构。每个 token 在推理时只被路由到其中少数几个专家，其余专家不参与计算。因此模型的总参数量可以远大于单次前向传播真正动用的参数量。

这一点正是"120B 总量 / 12B 激活"组合的来源：总参数量决定模型的容量上限与知识存储规模，激活参数量（也叫激活参数）决定每次推理实际消耗的算力。二者分离后，模型可以获得接近 120B 稠密模型的能力上限，却只付出接近 12B 模型的算力成本。代价是对显存容量的需求仍按总量计——所有专家权重都必须驻留或被高效换入，因此 MoE 的瓶颈往往在显存而非算力。

NVFP4 是 NVIDIA 主推的一种 4 比特浮点数值格式，属于 FP4（4-bit floating point）家族的细分方案。相比 INT4 等整数量化格式，块浮点数可以在同一数据块内共享指数，从而在极低比特下仍保留一定的动态范围，减少量化带来的精度损失。

它的核心收益有两个：显存占用下降到 FP16 的大约四分之一，权重从显存搬到计算单元的带宽压力同步大幅缓解——对推理而言，后者往往比前者更关键，因为大模型解码阶段通常是访存瓶颈而非算力瓶颈。不过，低精度格式的性能高度依赖硬件是否原生支持相应的矩阵运算指令，这也是该格式与 NVIDIA GPU 深度绑定的原因。

DGX Spark 是 NVIDIA 推出的紧凑型桌面 AI 计算设备，面向个人开发者、研究者与小型团队，定位介于高端工作站与云端集群之间。它的意义不在于绝对算力，而在于把过去必须依赖多卡服务器才能装载的模型规模，压缩到一台可以摆在桌面上的机器。

一款 120B 规模的模型能被单台此类设备承载，靠的并非单一技术，而是几项优化的叠加：MoE 把激活算力压到 12B 量级，NVFP4 把权重显存压到 FP16 的四分之一左右，再加上针对长上下文的 KV Cache 管理。三者协同才让"参数表上的大模型"落到了"买得起的单机"这一层。对缺乏集群资源的中小团队，这类门槛下移往往比单纯的榜单分数更有实际价值。

多模态+智能体：定位而非堆料

从命名和规格看，Nemotron 3.5 Super VL的定位是"多模态智能体模型"，而非通用聊天模型。

多模态能力意味着它可以处理图像等非文本输入，这是智能体在真实环境中操作的前提——读取屏幕、理解界面、解析图表都属于这一类。结合1M上下文与MoE的低激活成本，它更适合承担需要持续感知和规划的Agent工作流，而不是单轮问答。

NVIDIA选择开源权重，也有生态层面的考量。开源模型可以吸引开发者在其工具链和硬件上做适配与微调，反过来强化NVIDIA在推理侧的软硬件绑定。

Bolt边缘模型：把Agent推到端侧

与Super VL同时发布的还有两款Bolt边缘模型。

虽然官方披露的细节有限，但"边缘"这一标签本身传达了方向：把智能体能力下沉到本地设备，减少对云端推理的依赖。这与Super VL能在单台DGX Spark上运行形成呼应——NVIDIA在同时布局"桌面级大模型"和"端侧小模型"两个层级。

边缘模型的现实约束更严苛：功耗、内存、散热都是硬上限。Bolt系列能否在有限资源下保留可用的多模态与工具调用能力，是后续值得观察的重点。

几点冷静的判断

规格亮眼，但有几个问题目前没有答案。

第一，12B激活参数在复杂多模态推理任务上的实际表现，需要独立评测验证，参数量与能力之间从来不是线性关系。

第二，NVFP4权重在非NVIDIA硬件上的可用性。低精度格式往往与特定硬件强绑定，这可能影响开源社区的实际使用范围。

第三，1M上下文在长序列下的有效注意力质量，以及推理延迟是否随上下文线性恶化，都是工程落地的关键变量。

Nemotron 3.5 Super VL的价值，或许不在于单点指标刷新，而在于它把"大模型单机可跑"从一个口号推向了可验证的配置。开源权重已经放出，真正的检验在开发者的实测中。

评估此类模型时有几个常被混淆的指标值得单独说明。有效上下文指的是模型在长序列上仍能稳定利用远端信息的长度，它与"支持的最大上下文长度"并非同一概念——注意力机制在超长序列上普遍存在衰减，业界常用"大海捞针"式的检索测试来衡量真实可用区间。

首 token 延迟（TTFT）与解码吞吐也需要分开看：前者主要由预填充阶段决定，随输入长度显著增长；后者由逐 token 解码决定，通常更受显存带宽约束。1M 上下文下，预填充的计算量随长度增长很快，缓存复用与分块处理等工程手段会直接决定响应是否可用。因此"支持 1M"只是能力上限的声明，实际体验取决于延迟曲线，这也是独立评测最该关注的部分。