
Otakonline.com - Nvidia memperkenalkan tiga model AI Nemotron 3.5 untuk membantu pengembang membangun agen yang bekerja di berbagai perangkat. Diumumkan pada Kamis, 15 Oktober 2026, keluarga baru ini mencakup model multimodal berukuran besar, model untuk komputer pribadi, serta versi ringkas bagi perangkat dengan kemampuan komputasi terbatas.
Ketiga model tersebut memiliki sasaran berbeda, bukan sekadar variasi ukuran. Nemotron 3.5 Super VL menangani alur kerja kompleks, sementara Nemotron 3.5 Bolt 74B-A9B ditujukan untuk penggunaan lokal di komputer. Adapun Nemotron 3.5 Bolt E4B menyasar pengalaman percakapan langsung pada perangkat pintar.
Peluncuran ini memperluas pilihan model berbobot terbuka Nvidia. Pengembang dapat mengunduh bobot model, menjalankannya pada infrastruktur sendiri, lalu menyesuaikannya untuk kebutuhan tertentu. Karena itu, organisasi bisa memilih model berdasarkan jenis pekerjaan, kapasitas perangkat, dan cara mereka mengelola data.
Model AI Nemotron 3.5 untuk pekerjaan multimodal
Nemotron 3.5 Super VL menjadi model terbesar dalam kelompok baru ini. Model multimodal tersebut memiliki 120 miliar parameter dan Nvidia mengembangkannya bersama Nemotron Coalition, sebuah kelompok pengembang model serta laboratorium AI yang berfokus pada model terbuka.
Model ini dirancang untuk agen yang perlu mengikuti instruksi, menggunakan alat, memahami informasi visual, dan menyelesaikan pekerjaan bertahap. Dengan kemampuan multimodal, agen dapat membaca halaman web, mengambil teks dari dokumen, serta memahami tabel, grafik, dan berkas PDF.
Kemampuan itu membuka sejumlah penggunaan di lingkungan bisnis. Misalnya, agen dapat membantu meninjau dokumen keuangan, menganalisis perjanjian kredit, melakukan riset, atau memeriksa dokumen dalam transaksi. Namun, perusahaan tetap perlu menentukan alur kerja dan pemeriksaan yang sesuai untuk penggunaan masing-masing.
Nvidia menyatakan performa penalaran Super VL sebanding dengan model penalaran terbesarnya, meski jumlah parameternya sekitar seperlima dari model pembanding tersebut. Perusahaan itu juga mengklaim modelnya menghasilkan keluaran hampir lima kali lebih cepat dibanding model lain di kelasnya. Klaim tersebut berasal dari Nvidia, sehingga hasil pemakaian dapat bergantung pada sistem dan tugas yang dijalankan.
Untuk pelatihan, Nvidia mengatakan Super VL menggunakan sekitar 26 triliun token dalam tahap awal dan lanjutan. Perusahaan juga dapat melatih ulang model dengan data, alat, kebijakan, serta alur kerja internal. Dengan penyesuaian itu, agen berpeluang bekerja lebih selaras dengan kebutuhan organisasi, selama pengelolaan datanya dilakukan secara tepat.
Nemotron Bolt membawa pemrosesan ke PC
Nemotron 3.5 Bolt 74B-A9B dirancang agar agen AI dapat menjalankan tugas langsung di komputer, tanpa mengirim seluruh pemrosesan ke layanan cloud. Model ini memiliki 74 miliar parameter, tetapi menggunakan sekitar 9 miliar parameter untuk memproses satu tugas pada satu waktu. Nvidia menyebut pendekatan tersebut membantu efisiensi.
Model itu juga memakai teknik kuantisasi dua bit untuk mengurangi kebutuhan memori. Hasilnya, Nemotron Bolt membutuhkan memori 24 GB dan dapat dijalankan pada komputer yang memiliki GPU dengan kapasitas tersebut. Nvidia menyebut perangkat yang dituju antara lain PC dengan GPU GeForce RTX, workstation RTX PRO, serta sistem DGX Spark dan DGX Station.
Dalam penggunaan sehari-hari, agen berbasis model ini dapat membantu menelusuri informasi di web, menulis kode, dan mencari kesalahan program. Karena pemrosesan berjalan di perangkat, pengguna bisa mengurangi ketergantungan pada cloud. Hal ini dapat menarik bagi organisasi yang mengolah informasi internal atau data sensitif, meski pengguna tetap perlu menjaga keamanan perangkat dan aksesnya.
Pemrosesan lokal bukan berarti semua tugas otomatis menjadi privat atau bebas risiko. Keamanan juga bergantung pada konfigurasi komputer, kebijakan akses, dan cara pengguna menyimpan hasil kerja. Meski begitu, pilihan menjalankan model di infrastruktur sendiri memberi pengembang kendali lebih besar atas lingkungan pemrosesan.
Model ringkas untuk perangkat pintar dan percakapan
Nemotron 3.5 Bolt E4B 4GB menyasar perangkat yang memiliki sumber daya komputasi lebih terbatas. Nvidia merancangnya untuk agen percakapan dan pemrosesan AI langsung di perangkat, termasuk aksesori pintar, perangkat rumah tangga, sistem kendaraan, antarmuka layanan pelanggan, serta asisten suara.
Nvidia menyebut model ringkas ini dapat mendukung asisten suara lokal, karakter interaktif, dan antarmuka pintar yang menyesuaikan pengalaman dengan kebutuhan pengguna. Jika perangkat mampu memproses permintaan secara langsung, interaksi tidak harus selalu bergantung pada koneksi ke layanan cloud. Namun, kemampuan aktual tetap bergantung pada perangkat dan penerapannya.
Perusahaan menjadwalkan peluncuran Bolt E4B pada 23 Oktober 2026. Model ini dirancang untuk perangkat berbasis Nvidia GeForce RTX dan Jetson, serta sistem RTX/DGX Spark. Sementara itu, Super VL dan Bolt 74B-A9B sudah tersedia melalui Hugging Face.
Perbedaan ketiga model tersebut memberi pengembang titik awal untuk memilih sesuai skenario. Model besar cocok untuk tugas visual dan dokumen bertahap, Bolt 74B-A9B menempatkan agen di komputer, sedangkan E4B mengarah ke perangkat pintar. Dengan demikian, pilihan tidak hanya bergantung pada kemampuan model, tetapi juga lokasi pemrosesan dan sumber daya yang tersedia.
Strategi model berbobot terbuka juga memberi ruang bagi organisasi untuk menyesuaikan perangkat lunak dengan kebutuhan internal. Pengembang dapat menjalankan model pada infrastruktur pilihan mereka dan mengadaptasinya melalui proses yang sesuai. Di sisi lain, penggunaan model tetap memerlukan pengujian, perlindungan data, serta pengawasan atas keputusan yang dibuat agen.
Melalui tiga Nemotron baru, Nvidia membentangkan pilihan dari tugas multimodal berskala besar hingga interaksi ringkas di perangkat. Perusahaan belum menyebutkan rincian tambahan mengenai ketersediaan Bolt E4B di luar jadwal peluncurannya. Untuk saat ini, perbedaan utama tiap model terletak pada kompleksitas pekerjaan, kebutuhan memori, dan tempat agen menjalankan pemrosesan.