Nemotron Nano 12B v2 VL

Nemotron Nano 12B v2 VL ist der NVIDIA-BF16-Checkpoint für Mehrbild-Reasoning, Videoverständnis und Dokumentintelligenz. Der Vision-Encoder verbindet Bild- und Videomerkmale mit dem Nemotron-Nano-Sprachmodell. Visuelle Fragen, OCR-nahe Dokumentaufgaben und Zusammenfassungen gehören damit zum Kern des Modells, nicht zu einer nachträglichen Erweiterung.

Der 12,6-Milliarden-Parameter-Checkpoint verarbeitet Text, bis zu vier Bilder und Videos über einzelne Frames. NVIDIA nennt Englisch als unterstützte Sprache und ein gemeinsames Ein- und Ausgabelimit von 128K Token. Für Videoeingaben müssen die Frames vorab extrahiert werden, da das veröffentlichte Inferenzbeispiel keinen Video-Decoder enthält.