Какие типы данных может обрабатывать Nemotron Nano 12B 2 VL?

Модель является мультимодальной и способна анализировать текст, изображения и видео, выдавая результат в текстовом виде.

В чем преимущество архитектуры Transformer-Mamba?

Гибридная архитектура сочетает в себе высокую точность трансформеров с эффективностью и скоростью обработки последовательностей, характерной для моделей Mamba.

Можно ли использовать эту модель на alltokens для анализа документов?

Да, модель специально оптимизирована для Document Intelligence, что позволяет ей эффективно извлекать информацию из PDF, таблиц и графиков.

NVIDIA: Nemotron Nano 12B 2 VL (Бесплатно)

NVNvidiaОбновлено: 28 октября 2025 г.

NVIDIA Nemotron Nano 12B 2 VL — это инновационная мультимодальная модель на базе гибридной архитектуры Transformer-Mamba, оптимизированная для глубокого анализа видео и сложных документов. Благодаря контекстному окну в 128 000 токенов, она эффективно справляется с задачами логического вывода и извлечения данных из визуального контента.

Использовать через API

Метрики

Вход

— ₽/M

Выход

— ₽/M

Контекст

128k tokens

Параметры

Релиз

28 октября 2025 г.

Поддерживаемые параметры

include_reasoningmax_tokensreasoningseedtemperaturetool_choicetoolstop_p

Технический обзор

NVIDIA Nemotron Nano 2 VL — это открытая мультимодальная модель с 2 миллиардами параметров, предназначенная для анализа видео и интеллектуальной обработки документов. В ней реализована гибридная архитектура Transformer-Mamba, которая сочетает в себе точность трансформеров с эффективным моделированием последовательностей Mamba. Это обеспечивает значительно более высокую пропускную способность и низкую задержку при работе. Модель поддерживает ввод текста и многостраничных документов с изображениями, генерируя ответы на естественном языке. Она обучена на высококачественных синтетических наборах данных, отобранных NVIDIA и оптимизированных для оптического распознавания символов (OCR), анализа графиков и мультимодального понимания. Nemotron Nano 2 VL демонстрирует ведущие результаты в тесте OCRBench v2 и набирает в среднем около 74 баллов в таких бенчмарках, как MMMU, MathVista, AI2D, OCRBench, OCR-Reasoning, ChartQA, DocVQA и Video-MME, превосходя предыдущие открытые мультимодальные модели. Благодаря технологии эффективной выборки видео (EVS) модель способна обрабатывать длинные видеоролики при снижении затрат на инференс. Открытые веса, данные для обучения и рецепты тонкой настройки распространяются под разрешительной лицензией NVIDIA. Развертывание модели поддерживается через NeMo, NIM и основные среды исполнения для инференса на alltokens.

Кодинг

Инструменты

Длинный контекст

Мультимодальность

Веб-автоматизация

Смежные подборки

Модели для программирования Недорогие модели

Сравнение с похожими моделями

Модель

Для чего

Контекст

Цена ₽

Модель

NVIDIA: Nemotron Nano 12B 2 VL (Бесплатно)Текущая

Для чего

Контекст

128k

Цена ₽

— / —

NVIDIA: Nemotron Nano 12B 2 VL (Бесплатно)Текущая

128k

— / —

Модель

Qwen: Qwen3.6 Plus (Бесплатно)

Для чего

Обе модели поддерживают мультимодальный ввод, включая видео, и доступны для использования без оплаты на платформе alltokens.

Контекст

Цена ₽

— / —

Qwen: Qwen3.6 Plus (Бесплатно)

— / —

Модель

Reka Edge

Для чего

Является прямым конкурентом в категории компактных мультимодальных моделей, ориентированных на высокую скорость обработки визуальных данных.

Контекст

16k

Цена ₽

13 / 13

Reka Edge

16k

13 / 13

Когда выбирать

Необходим детальный анализ видеофайлов и понимание динамических сцен
Требуется высокая точность распознавания текста и структур в сложных документах
Нужна эффективная работа с длинным контекстом до 128k токенов при ограниченных ресурсах

Когда не выбирать

Требуется генерация изображений или видео, так как модель работает только на текстовый вывод
Необходима работа исключительно с программным кодом без визуальной составляющей
Для задач, требующих максимальных параметров флагманских моделей сверх 12 миллиардов параметров