一、十月十五日，一次发了三款
英伟达在十月十五日把 Nemotron 家族又推开一层，一次性给出三款开放权重模型。居中的 Nemotron 3.5 Super VL 总参数 1200 亿、每个 token 激活 120 亿，采用混合 Mamba-Transformer 的稀疏专家架构，配 C-RADIOv4 视觉编码器，上下文窗口 100 万 token，输入支持文本、图像、文档页与最长两分钟的视频，输出仍是文本。它要接的是那类要连续跑、中间既要看材料又要调工具的企业任务。
同日上线的 Bolt 74B-A9B 24GB 是这次更值得看的一款。740 亿总参数、激活 90 亿，靠原生 2 比特量化装进 24GB，官方称可以在 RTX 与 DGX Spark 上和别的应用一起跑；llama.cpp、Ollama、LM Studio、Unsloth、vLLM 都已支持。第三款 Bolt E4B 4GB 定在十月二十三日，面向 GeForce RTX、Jetson 与 RTX/DGX Spark 上的语音助手、交互角色和嵌入式界面。
三款都给了开放权重、开放数据集和训练配方，许可为 OpenMDW-1.1，允许商用。数据集覆盖代理工具调用、金融推理、指令跟随、长上下文、公平性和四十多个视觉语言数据集，强化学习环境放在 NeMo Gym 里。训练规模上，官方两处文档的口径略有出入：预训练与继续预训练约 25 万亿 token，后训练样本约 380 万到 400 万条，并在数十个环境里做了强化学习。
成绩这一侧要分开看。官方自述的部分是：与自家参数规模居首的推理模型 Nemotron 3 Ultra 相比，参数约为五分之一而精度相当；同尺寸档位里吞吐可到约五倍；Hermes Bench 上 63.44% 对 Ultra 的 56.33%，LangChain 评测 87.05% 对 84.3%；图表理解基准 CharXiv 得 80.8%，配合 Python 执行到 84%。第三方平台的数字要低一截：Artificial Analysis 智能指数 26 分，另一处记为 26.49，高于 Ultra 的 23 分，但明显低于同期闭源前沿模型的 46.97。部署门槛写得很具体，BF16 需要四张 H100 或两张 GB200，NVFP4 检查点约 75GB，一张 H200、一张 GB200、两张 H100 或单台 DGX Spark 就能跑起来。还有一处时间差值得记下：第三方记录显示权重在十月十二日就已可下载，比官方公告早三天。
二、为什么是现在：分工、教训和那个平台
Nemotron 家族这一年的排布是按角色分层的。Ultra 做难的纯文本规划与编排，八月发布的 Lightning 处理高通量的文本步骤，Super VL 填的是中间那块要同时看图、调工具、分多步走的活，Bolt 是这条线上新开出来的端侧一支。
八月的 Lightning 给出过一个教训，这次的口径明显是照着它改的：当时 token 生成速度比同尺寸模型快四倍，可端到端的代理任务只快了三成。吐字快不等于活干得快，所以这次 Super VL 把吞吐和任务完成时间放在一起报，并请了 EXO Labs 在 DGX Spark 上做了一次独立评测，给出的是精度与完成时间的帕累托前沿，而不是一个单独的分数。
再往前一层是平台。九月二日双方签下协议，英伟达以约 129.3 亿美元收购 Hugging Face，其中约 119 亿付给股东，另有最高约 10 亿美元的员工股权留任安排，预计 2027 年上半年交割。公告里写了两条承诺：平台保持开放，开发者继续自选模型、框架、云和计算平台，使用 Hugging Face 不以采用英伟达硬件为条件。英伟达同时自称是该平台开放模型与数据的贡献者之一，已在其上发布 500 多个模型和 250 多个开放数据集。买下的不是一个仓库，是一个已经运转起来的分发口子。
同一周还有另外两条路线并排走着。Meta 的 Muse Spark Open 走的是堆参数，8160 亿参数、100 万 token 上下文，本地部署要按 TB 级的内存准备；Liquid AI 在十月十三日放出的 LFM2.5-24B-A2B 走的是硬件无关，端侧随便什么卡都能上。英伟达给出的是第三条路：模型按自家硬件的档位切好，每一档配一个官方调过的选择。
三、影响：门槛从买不买得起，变成手上有什么卡
对采购的直接影响是选型合一。过去买卡是一件事，选模型是另一件事，中间隔着一整套适配与调优；现在每一档硬件都有一个官方对口模型，倒推起来就简单了：要跑 Super VL，单台 DGX Spark 或一张 H200 起步；要跑 Bolt，24GB 的机器就够；要到嵌入式和语音那一层，等十月二十三日的 4GB 版本。模型发布与硬件档位绑在一起，这是这次发布真正的结构变化。
对企业用户，后训练从可选项变成了标准动作。英伟达把这条链配齐了：NeMo 做监督微调、低秩适配与强化学习，开放数据集补自有数据，NeMo Gym 提供环境，NIM 把模型包成双周更新的微服务。已经公布的案例里，Scale AI 为 Skydance 的供应商信贷智能体做后训练，官方称推理成本降到四十分之一、延迟降到五分之一；Ramp 把收据图片转成带商户、日期与金额的结构化 JSON，预期吞吐提高最多一半、延迟降十倍；AfterQuery 为 Hebbia 做信贷协议分析；Mercor 用 APEX-SWE 基准训编码智能体；Atlassian 用于 Jira 与 Confluence 的跨应用检索；Perplexity 用于搜索与代理任务；达索系统用于工程设计与仿真。这些数字全部出自英伟达或其合作方，目前没有第三方复现。
对开发者，权重和配方一起开放意味着模型可以按二进制依赖那样管理：进版本库、进流水线、自己做回归。换来的是部署、监控、数据治理都落到自己头上，后训练用的内部数据也要按生产资产来管。2 比特量化把 740 亿参数压进 24GB，让本地跑智能体的门槛从机房下移到了一台工作站。
对立的那一种解释也站得住。开放权重不等于开放收益：这些模型的效率是照着自家硬件调的，把模型层做成一道软门槛，比立一道接口墙温和，也更难绕开。端侧这一层同时存在硬件无关的替代，企业因此有了对比点。两种解释哪个更接近事实，可以到下面第一项里去验。
还有一个容易被总分掩盖的口径。Artificial Analysis 的 AA-Omniscience 上，Super VL 准确率 0.23、幻觉率 0.36，同期 GPT-5.6 Sol 准确率 0.59、幻觉率 0.92。指数把两者合起来算，Sol 依然在前；但对那些宁可空着也别答错的流程，比如医疗理赔与皮肤科分诊，也正是官方点名的两处后训练场景，低的幻觉率比高的准确率更值钱。同一个模型，换个流程，结论会反过来。
四、观察点：三件可以验的事
第一件看硬件。两个季度内，有没有采用方公开自己在非英伟达硬件上跑出了相近的吞吐。一家都没有的话，开放模型这四个字就更接近一次硬件销售动作，而不是一次让渡。
第二件看 4GB 那一档。十月二十三日 Bolt E4B 上线后，在 2 比特与 4GB 的双重压缩下，多轮工具调用还稳不稳，是最容易被实测出来的地方；官方给的试验场是 SkyrimNET 那类游戏角色场景，连续交互正是它的压力点。
第三件看成本数字会不会被使用者自己确认。四十分之一与十倍这两个数，目前都只在英伟达的材料里。若 Skydance、Ramp、EY 这些使用者自己出来背书，这条路线就从市场材料变成了工程事实；若始终只有卖方口径，它更接近采购时的参考值。
检索截止：2026-10-16 20:40（Asia/Shanghai）。以上时间除注明外均为各来源标注的发布日期，按 Asia/Shanghai 折算。
来源与说明
[1] Open From Data Center to Desktop: NVIDIA Expands Nemotron Family With Highest Efficiency Super VL and Bolt Models｜NVIDIA Blog｜2026-10-15 [2] NVIDIA Nemotron 3.5 Super VL Powers Specialized Agents with Multimodal Reasoning｜NVIDIA Technical Blog｜2026-10-15 [3] NVIDIA Releases Open Nemotron 3.5 Super VL and Bolt Edge Models｜Unite.AI｜2026-10-15 [4] Nvidia Rolls Out 120B-Parameter Nemotron Super VL and Two Compact Edge Models for AI Agents｜BigGo Finance｜2026-10-15 [5] NVIDIA expands Nemotron with Super VL and local Bolt models｜CodedTrip｜2026-10-16 [6] What Is Nemotron 3.5 Super VL? 120B Open Agent Model｜Kie.ai｜2026-10-15 [7] Nemotron 3.5 Super VL – 1M context, multimodal, open weights｜LLM Reference｜2026-10-15 [8] Nemotron 3.5 Super VL: Nvidia’s Free Vision Model for AI Agents｜Julian Goldie｜2026-10-15 [9] NVIDIA Nemotron 3.5 Super VL vs GPT-5.6 Sol: eight providers, one deprecation flag, and an open weight file｜OrcaRouter｜2026-10-16 [10] NVIDIA RTX Spark Launches With Local AI Agents and App Ecosystem｜Neural Stack｜2026-10-16 [11] Deploying Nemotron Edge Models: New Super VL and Bolt Variants for On-Prem and Edge Workloads｜CloudNinjas｜2026-10-16 [12] NVIDIA Signs Definitive Agreement to Acquire Hugging Face for 12.9B｜Unite.AI｜2026-09-03 [13] Nvidia releases 120B multimodal model to anchor enterprise agent infrastructure｜The Decoder / Modelwire｜2026-10-16 [14] Muse Spark Open｜Meta AI Research｜2026-10-15