Nvidia muscle ses agents multimodaux avec Nemotron 3.5 Super VL

Nvidia a dévoilé, le 15 octobre 2026, Nemotron 3.5 Super VL, un modèle multimodal ouvert de 120 milliards de paramètres pensé pour des agents capables de tourner en continu, de lire des documents, d’analyser des images et de traiter du texte, de la vidéo ou des tableaux. La sortie s’accompagne de deux versions plus compactes, Bolt 74B-A9B 24GB disponible immédiatement et Bolt E4B 4GB annoncé pour le 23 octobre 2026 [à vérifier], afin de couvrir du centre de données au poste local. Dans ce contexte, Nvidia ne pousse pas seulement un modèle de plus : la société veut occuper tout le spectre des déploiements d’agents, du gros serveur au PC musclé. Un peu comme si la gamme devait tenir dans une valise et dans une baie informatique.

Une famille pensée pour chaque type de machine

Nemotron 3.5 Super VL s’inscrit dans une gamme que Nvidia segmente par niveau de déploiement. Lightning, lancé en août, vise les charges à haut débit ; Ultra prend en charge les tâches de raisonnement les plus difficiles ; Bolt cible l’edge et les machines locales. Super VL complète ce trio avec un positionnement enterprise, tandis que les deux variantes Bolt cherchent à rapprocher les agents des usages de proximité, notamment sur RTX, DGX Spark et certaines configurations Jetson.

Le cœur du modèle repose sur une architecture Mixture-of-Experts, ou MoE : tous les paramètres ne sont pas activés à chaque token, ce qui réduit le coût d’inférence. Ici, 120 milliards de paramètres sont présents au total, mais 12 milliards seulement sont activés par jeton. Nvidia dit avoir distillé Super VL à partir de Nemotron 3 Ultra, puis l’avoir entraîné pour des tâches d’instruction following, d’appel d’outils, de workflows métiers multiétapes et de compréhension visuelle. La société affirme que les performances se rapprochent de celles de son plus gros modèle de raisonnement, pour environ un cinquième du nombre de paramètres.

Le multimodal sans couture, ou presque

La promesse centrale est simple : faire travailler texte, image, document et vidéo dans un seul système. Nvidia explique que cela évite de chaîner un modèle texte avec un autre dédié à la vision, ou de passer le contexte d’un modèle à l’autre. Le modèle a été conçu pour des cas concrets d’entreprise : OCR, tableaux, graphiques, PDF, pages web, vidéos et informations structurées extraites de documents. Super VL s’adresse donc moins aux démonstrations tape-à-l’œil qu’aux agents qui doivent dépouiller une facture, lire un contrat ou parcourir une présentation.

Côté évaluation, Nvidia revendique 63,44 % sur Hermes Bench et 87,05 % sur LangChain behavioral evaluations, contre 56,33 % et 84,3 % pour Nemotron 3 Ultra. Sur CharXiv, un benchmark de raisonnement sur graphiques, la société annonce 80,8 % pour Super VL, et 84 % lorsque le modèle utilise l’interprétation Python. Elle dit aussi qu’il figure parmi les meilleurs modèles ouverts sur OCRBench v2 [à vérifier].

Pourquoi Nvidia insiste autant sur la vitesse

Parce que les agents ne vivent pas dans un joli notebook de démonstration. Ils enchaînent les requêtes, gardent de la mémoire de session et refont souvent les mêmes calculs. Nvidia met donc en avant plusieurs optimisations d’inférence : quantification NVFP4, speculative decoding via Multi-Token Prediction, LiLiCorr sur DGX Spark et cache réutilisable pour les sessions répétées. Selon la société, LiLiCorr peut accélérer la génération jusqu’à 2,3 fois par rapport à une exécution sans spéculation, et Dynamo peut servir jusqu’à huit fois plus d’utilisateurs tout en réduisant le temps jusqu’au premier token de 85 % sur 16 GPU B200, à 50 tokens par seconde et par utilisateur.

La version NVFP4 repose sur des poids et activations en 4 bits sur Blackwell, avec une distillation consciente de la quantification pour limiter la perte de qualité. Nvidia indique aussi que le modèle prend en charge jusqu’à 1 million de tokens de contexte, ce qui change l’échelle de travail possible pour des agents documentaires ou de code. À cette taille, le contexte ressemble moins à une fenêtre qu’à une baie vitrée.

Les deux modèles Bolt visent le local, avec des compromis très réels

Bolt 74B-A9B 24GB est la déclinaison la plus ambitieuse pour les machines locales. Nvidia dit utiliser une quantification native en 2 bits pour faire entrer le modèle dans 24 Go de mémoire, avec un mode hybride MoE où 9 des 74 milliards de paramètres sont actifs par étape. Le modèle doit fonctionner sur des machines RTX, DGX Spark, DGX Station, RTX PRO et certains PC GeForce RTX, avec un support annoncé pour llama.cpp, Ollama, LM Studio, Unsloth et vLLM.

Bolt E4B 4GB vise, lui, des agents vocaux, des assistants conversationnels et des interfaces embarquées. Nvidia le destine aux cartes GeForce RTX, aux modules Jetson et aux systèmes RTX/DGX Spark. Sa cible est plus modeste, mais plus large en pratique : faire tourner localement un assistant qui converse, appelle des outils et tient plusieurs tours de dialogue, sans tout envoyer dans le cloud.

Des clients déjà alignés sur les métiers qui bavardent beaucoup

Nvidia dit que des dizaines d’organisations post-entraînent déjà Super VL sur leurs propres données, outils et workflows. Scale AI l’a adapté pour un agent de crédit fournisseur chez Skydance ; la société avance une baisse du coût d’inférence de 40 fois et une latence divisée par cinq. Ramp l’utilise pour transformer des photos de reçus en JSON structuré, avec un gain de débit annoncé jusqu’à 50 % et une latence divisée par dix. EY s’en sert pour la due diligence M&A, Hebbia pour l’analyse de contrats de crédit, et Alice pour la cybersécurité, avec 40 % d’exactitude supplémentaire selon Nvidia.

D’autres intégrations touchent Atlassian, CrowdStrike, Dassault Systèmes, Perplexity, Salesforce et Synopsys. Les cas d’usage vont de la recherche agentique dans Jira et Confluence à la blue team en sécurité, en passant par la conception industrielle, la génération de workflows gouvernementaux ou la vérification de designs de puces. Nvidia pousse donc un modèle, mais aussi une méthode de distribution : NIM pour l’exploitation en microservice, Hugging Face pour les poids, et un ensemble de jeux de données et recettes pour la personnalisation.

Données, recettes et stratégie industrielle

La société publie des poids de base, des versions post-entraînées et une version quantifiée, ainsi que des datasets et des environnements de reinforcement learning. Elle revendique environ 26 trillions de tokens sur l’ensemble pré-entraînement et continued pretraining, puis quelque 3,8 millions d’exemples en post-training, avec des environnements de RL répartis sur des dizaines de tâches. Une partie importante de l’effort porte aussi sur les langues indiennes : Nvidia annonce un jeu de données d’environ 2,8 trillions de tokens couvrant 22 langues indiennes, construit avec IIT Madras et AI4Bharat.

Au fond, la logique est assez lisible : ouvrir davantage les modèles tout en les optimisant pour ses propres GPU, ses propres stations et ses propres briques logicielles. Pour les clients, l’intérêt est réel si la promesse de coût, de latence et de contrôle se confirme dans des déploiements réels. Pour Nvidia, le pari est clair : plus les agents ouverts tournent bien, plus le matériel Nvidia devient difficile à éviter.