Daftar Isi 4 bagian
Ruanginvest.com – Nvidia memperluas pilihan model AI Nemotron 3.5 untuk membangun agen yang dapat bekerja di beragam perangkat. Tiga model baru mencakup sistem multimodal untuk pekerjaan kompleks, model yang berjalan langsung di PC, serta versi ringkas untuk perangkat dengan sumber daya terbatas.
Ketiga model tersebut ialah Nemotron 3.5 Super VL, Nemotron 3.5 Bolt 74B-A9B 24GB, dan Nemotron 3.5 Bolt E4B 4GB. Nvidia memperkenalkannya pada 15 Oktober 2026 sebagai bagian dari pengembangan keluarga model AI terbuka. Namun, kemampuan dan kebutuhan perangkat setiap model berbeda, sehingga pengembang dapat memilih sesuai jenis pekerjaan.
Model AI Nemotron 3.5 punya tiga fokus penggunaan
Super VL ditujukan untuk agen yang menangani pekerjaan berlapis dan berlangsung lama. Bolt 74B-A9B menyasar pemrosesan lokal melalui komputer, sedangkan Bolt E4B dirancang bagi perangkat dengan kapasitas komputasi lebih terbatas. Dengan susunan tersebut, Nvidia membidik penggunaan AI mulai dari pusat data hingga perangkat pribadi.
Ketiganya merupakan model berbobot terbuka atau open-weight. Pengembang dapat mengunduh bobot model, menjalankannya di infrastruktur sendiri, lalu menyesuaikannya dengan kebutuhan tertentu. Berbeda dengan layanan AI tertutup yang membatasi akses terhadap komponen model, pendekatan ini memberi pengguna kendali lebih besar atas penerapan dan penyesuaian sistem.
Meski demikian, status open-weight tidak otomatis berarti setiap model cocok untuk semua perangkat. Kebutuhan memori dan kemampuan komputasi tetap menjadi pertimbangan. Karena itu, Nvidia menawarkan model dengan ukuran dan tujuan penggunaan yang berlainan.
Super VL mengolah teks, gambar, dan dokumen
Nemotron 3.5 Super VL memiliki 120 miliar parameter dan dikembangkan Nvidia bersama Nemotron Coalition, kelompok pengembang model serta laboratorium AI yang berfokus pada model terbuka. Model multimodal ini dirancang untuk mengikuti instruksi, menggunakan alat, memahami informasi visual, dan menyelesaikan rangkaian kerja bisnis.
Kemampuan visualnya mencakup membaca halaman web, mengekstrak teks dari dokumen, serta memahami tabel dan grafik. Selain itu, model dapat mengolah informasi dalam berkas PDF. Kombinasi tersebut membuatnya relevan untuk tugas yang menggabungkan teks dan materi visual, bukan hanya percakapan berbasis teks.
Nvidia menyebut performa penalarannya sebanding dengan model penalaran terbesar perusahaan, dengan jumlah parameter sekitar seperlima model pembanding tersebut. Perusahaan itu juga mengklaim Super VL dapat menghasilkan keluaran hampir lima kali lebih cepat daripada model lain di kelasnya. Klaim kecepatan tersebut berasal dari Nvidia.
Dalam lingkungan bisnis, kemampuan itu dapat diterapkan untuk meninjau dokumen keuangan, menganalisis perjanjian kredit, melakukan riset, atau membantu pemeriksaan dokumen dalam transaksi. Perusahaan juga dapat melatih ulang model menggunakan data, alat, kebijakan, dan alur kerja internal. Dengan begitu, penerapannya dapat diselaraskan dengan proses organisasi masing-masing.
Nvidia mengatakan Super VL menjalani pelatihan awal dan lanjutan menggunakan sekitar 26 triliun token. Angka tersebut memberi gambaran skala pelatihan model, tetapi tidak dengan sendirinya menunjukkan hasil pada setiap tugas tertentu. Kinerja dalam penerapan nyata tetap bergantung pada kebutuhan dan cara organisasi menggunakannya.
Bolt 74B-A9B menjalankan agen AI di PC
Nemotron 3.5 Bolt 74B-A9B 24GB dirancang untuk memproses tugas agen AI secara lokal, 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 rancangan tersebut membantu efisiensi pemrosesan.
Untuk menekan penggunaan memori, Nvidia menerapkan kuantisasi dua bit atau 2-bit quantization. Hasilnya, model membutuhkan memori 24 GB dan dapat digunakan pada perangkat dengan GPU yang menyediakan kapasitas tersebut. Nvidia menyebut GeForce RTX, workstation RTX PRO, DGX Spark, dan DGX Station sebagai sistem yang dituju.
Pengguna dapat memanfaatkan model ini untuk menelusuri informasi di web, menulis kode, atau mencari kesalahan dalam program. Karena pemrosesan berlangsung di perangkat, pengguna tidak perlu mengirim seluruh pekerjaan beserta data terkait ke penyedia cloud pihak ketiga. Hal ini dapat menjadi pertimbangan bagi perusahaan yang mengelola informasi internal atau data sensitif.
Namun, pemrosesan lokal tetap bergantung pada perangkat yang memenuhi kebutuhan memorinya. Dengan persyaratan 24 GB, model ini tidak ditujukan untuk semua komputer. Pengguna perlu mencocokkan spesifikasi GPU yang tersedia dengan kebutuhan model sebelum menerapkannya.
Bolt E4B menyasar asisten dan perangkat pintar
Nemotron 3.5 Bolt E4B 4GB menjadi model yang lebih kecil. Nvidia menujukannya untuk agen percakapan dan perangkat dengan sumber daya komputasi terbatas. Contoh penerapannya mencakup aksesori pintar, perangkat rumah tangga, sistem di kendaraan, antarmuka layanan pelanggan, dan asisten suara.
Nvidia menyebut model ini dapat mendukung pengembangan asisten suara lokal, karakter interaktif, serta antarmuka pintar yang menyesuaikan pengalaman dengan kebutuhan pengguna. Jika pemrosesan berlangsung langsung pada perangkat, interaksi tidak harus selalu mengandalkan layanan cloud. Namun, sumber informasi yang tersedia tidak merinci kemampuan tiap perangkat atau tingkat kinerja untuk setiap penerapan.
Bolt E4B dijadwalkan meluncur pada 23 Oktober 2026. Model ini dirancang untuk perangkat berbasis Nvidia GeForce RTX, Jetson, serta sistem RTX/DGX Spark. Sementara itu, Super VL dan Bolt 74B-A9B telah tersedia melalui Hugging Face.
Perbedaan tiga model ini menunjukkan pendekatan Nvidia yang membagi kebutuhan agen AI berdasarkan skala dan lokasi pemrosesan. Super VL mengutamakan pekerjaan multimodal kompleks, Bolt 74B-A9B menawarkan pemrosesan lokal di PC dengan memori memadai, dan Bolt E4B menyasar perangkat yang lebih terbatas. Bagi pengembang, pilihan tersebut membuka ruang untuk menentukan model berdasarkan beban kerja, perangkat, serta kebutuhan pengelolaan data.
