{
  "aboutHtml": "<h3>Συλλογισμός, κώδικας και εργασία με μεγάλο κείμενο</h3><p>Το Nemotron 3.5 Super VL είναι μοντέλο της NVIDIA για εργασίες που απαιτούν σύνδεση πολλών βημάτων συλλογισμού, κατανόηση κώδικα ή επεξεργασία εκτενούς υλικού. Στο Ailoot αυτή η κάρτα παρέχει διάλογο κειμένου: δίνετε οδηγίες, αρχικά δεδομένα και ιστορικό μηνυμάτων και το μοντέλο επιστρέφει απάντηση κειμένου.</p><p>Μπορεί να χρησιμοποιηθεί για ανάλυση τεχνικής τεκμηρίωσης, σύγκριση απαιτήσεων, προετοιμασία επεξηγήσεων κώδικα και ανάλυση κειμενικών αναφορών. Στο αίτημα είναι πρακτικό να ορίσετε στόχο, να προσθέσετε το απαραίτητο υλικό και να προσδιορίσετε μορφή αποτελέσματος: για παράδειγμα συμπεράσματα με αιτιολόγηση, σχέδιο αλλαγής προγράμματος ή σύγκριση λύσεων.</p><h3>Δομή και εξειδίκευση</h3><p>Το αρχικό Super VL είναι οπτικό-γλωσσικό μοντέλο της NVIDIA με οπτικό κωδικοποιητή C-RADIO, σχεδιασμένο επίσης για κατανόηση εγγράφων και βίντεο. Σε αυτή την κάρτα του Ailoot διατίθεται η εργασία του με κείμενο· το αρχικό υλικό δίνεται ως κειμενικό περιεχόμενο.</p><p>Η βάση του μοντέλου συνδυάζει Mamba-2, Transformer και αρχιτεκτονική Mixture of Experts. Από περίπου 120 δισεκατομμύρια παραμέτρους ενεργοποιούνται περίπου 12 δισεκατομμύρια σε κάθε βήμα επεξεργασίας. Πρόκειται για τη δομή του μοντέλου, η οποία πρέπει να εξετάζεται χωριστά από την πραγματική ταχύτητα συγκεκριμένου αιτήματος.</p><p>Στην εκπαίδευση χρησιμοποιήθηκαν αποθετήρια λογισμικού, ζεύγη εργασιών και αλλαγών κώδικα, αρχεία καταγραφής μεταγλώττισης, διαδρομές επίλυσης πολλών βημάτων και υλικό μεγάλου πλαισίου. Η περαιτέρω εκπαίδευση συνδύασε κώδικα, συλλογισμό, οδηγίες και διάλογο. Αυτή η εξειδίκευση είναι χρήσιμη στη διατύπωση σύνθετης εργασίας όπου οι αρχικές πληροφορίες πρέπει πρώτα να συνδεθούν και έπειτα να παρουσιαστεί το αποτέλεσμα.</p><h3>Πώς να προετοιμάσετε την εργασία</h3><p>Για ανάλυση εγγράφου διατυπώστε πρώτα ερώτημα και κριτήρια επιλογής πληροφοριών και μετά προσθέστε το κείμενο με τίτλους ενοτήτων. Αν χρειάζεται σύγκριση πηγών, δώστε σύντομες ετικέτες και ζητήστε σύνδεση των συμπερασμάτων με αυτές. Για εργασία κώδικα προσθέστε το σχετικό απόσπασμα προγράμματος, την παρατηρούμενη συμπεριφορά και το αναμενόμενο αποτέλεσμα· έτσι η απάντηση συγκρίνεται με συγκεκριμένη περίπτωση.</p><p>Το μεγάλο παράθυρο πλαισίου βοηθά να τοποθετηθεί συνδεδεμένο υλικό σε ένα αίτημα. Ο όγκος του πλαισίου δεν αντικαθιστά τη σαφή διατύπωση: είναι χρήσιμο να χωρίζονται οι οδηγίες από τα αρχικά δεδομένα και να ορίζεται εκ των προτέρων ποια λύση ή ποιο έγγραφο θέλετε.</p><h3>Πλαίσιο και τρόποι σύνδεσης</h3><p>Στο Ailoot για αυτή την παραλλαγή αναφέρεται παράθυρο πλαισίου 262144 tokens. Ιστορικό διαλόγου, οδηγίες, αρχικό υλικό και απάντηση χρησιμοποιούν από κοινού αυτόν τον χώρο· σε μεγάλο αίτημα αφήστε χώρο για το αποτέλεσμα.</p><p>Το μοντέλο διατίθεται μέσω Chat Completions, Responses, Messages και διεπαφής κειμένου σε μορφή Gemini. Το διαθέσιμο σενάριο αυτής της παραλλαγής είναι κείμενο στην είσοδο και στην έξοδο· τα έγγραφα μεταδίδονται ως περιεχόμενο κειμένου.</p>",
  "aboutText": "### Συλλογισμός, κώδικας και εργασία με μεγάλο κείμενο\n\nΤο Nemotron 3.5 Super VL είναι μοντέλο της NVIDIA για εργασίες που απαιτούν σύνδεση πολλών βημάτων συλλογισμού, κατανόηση κώδικα ή επεξεργασία εκτενούς υλικού. Στο Ailoot αυτή η κάρτα παρέχει διάλογο κειμένου: δίνετε οδηγίες, αρχικά δεδομένα και ιστορικό μηνυμάτων και το μοντέλο επιστρέφει απάντηση κειμένου.\n\nΜπορεί να χρησιμοποιηθεί για ανάλυση τεχνικής τεκμηρίωσης, σύγκριση απαιτήσεων, προετοιμασία επεξηγήσεων κώδικα και ανάλυση κειμενικών αναφορών. Στο αίτημα είναι πρακτικό να ορίσετε στόχο, να προσθέσετε το απαραίτητο υλικό και να προσδιορίσετε μορφή αποτελέσματος: για παράδειγμα συμπεράσματα με αιτιολόγηση, σχέδιο αλλαγής προγράμματος ή σύγκριση λύσεων.\n\n### Δομή και εξειδίκευση\n\nΤο αρχικό Super VL είναι οπτικό-γλωσσικό μοντέλο της NVIDIA με οπτικό κωδικοποιητή C-RADIO, σχεδιασμένο επίσης για κατανόηση εγγράφων και βίντεο. Σε αυτή την κάρτα του Ailoot διατίθεται η εργασία του με κείμενο· το αρχικό υλικό δίνεται ως κειμενικό περιεχόμενο.\n\nΗ βάση του μοντέλου συνδυάζει Mamba-2, Transformer και αρχιτεκτονική Mixture of Experts. Από περίπου 120 δισεκατομμύρια παραμέτρους ενεργοποιούνται περίπου 12 δισεκατομμύρια σε κάθε βήμα επεξεργασίας. Πρόκειται για τη δομή του μοντέλου, η οποία πρέπει να εξετάζεται χωριστά από την πραγματική ταχύτητα συγκεκριμένου αιτήματος.\n\nΣτην εκπαίδευση χρησιμοποιήθηκαν αποθετήρια λογισμικού, ζεύγη εργασιών και αλλαγών κώδικα, αρχεία καταγραφής μεταγλώττισης, διαδρομές επίλυσης πολλών βημάτων και υλικό μεγάλου πλαισίου. Η περαιτέρω εκπαίδευση συνδύασε κώδικα, συλλογισμό, οδηγίες και διάλογο. Αυτή η εξειδίκευση είναι χρήσιμη στη διατύπωση σύνθετης εργασίας όπου οι αρχικές πληροφορίες πρέπει πρώτα να συνδεθούν και έπειτα να παρουσιαστεί το αποτέλεσμα.\n\n### Πώς να προετοιμάσετε την εργασία\n\nΓια ανάλυση εγγράφου διατυπώστε πρώτα ερώτημα και κριτήρια επιλογής πληροφοριών και μετά προσθέστε το κείμενο με τίτλους ενοτήτων. Αν χρειάζεται σύγκριση πηγών, δώστε σύντομες ετικέτες και ζητήστε σύνδεση των συμπερασμάτων με αυτές. Για εργασία κώδικα προσθέστε το σχετικό απόσπασμα προγράμματος, την παρατηρούμενη συμπεριφορά και το αναμενόμενο αποτέλεσμα· έτσι η απάντηση συγκρίνεται με συγκεκριμένη περίπτωση.\n\nΤο μεγάλο παράθυρο πλαισίου βοηθά να τοποθετηθεί συνδεδεμένο υλικό σε ένα αίτημα. Ο όγκος του πλαισίου δεν αντικαθιστά τη σαφή διατύπωση: είναι χρήσιμο να χωρίζονται οι οδηγίες από τα αρχικά δεδομένα και να ορίζεται εκ των προτέρων ποια λύση ή ποιο έγγραφο θέλετε.\n\n### Πλαίσιο και τρόποι σύνδεσης\n\nΣτο Ailoot για αυτή την παραλλαγή αναφέρεται παράθυρο πλαισίου 262144 tokens. Ιστορικό διαλόγου, οδηγίες, αρχικό υλικό και απάντηση χρησιμοποιούν από κοινού αυτόν τον χώρο· σε μεγάλο αίτημα αφήστε χώρο για το αποτέλεσμα.\n\nΤο μοντέλο διατίθεται μέσω Chat Completions, Responses, Messages και διεπαφής κειμένου σε μορφή Gemini. Το διαθέσιμο σενάριο αυτής της παραλλαγής είναι κείμενο στην είσοδο και στην έξοδο· τα έγγραφα μεταδίδονται ως περιεχόμενο κειμένου.",
  "locale": "el",
  "methods": [
    {
      "html": "<section class=\"meth\" data-route=\"Ultra\"><header><b><span class=\"alias\">Ultra</span> Anthropic Messages</b><code>POST /v1/messages</code></header><dl class=\"method-capabilities\" data-model-capabilities><div><dt>Είσοδος</dt><dd><code>text</code></dd></div><div><dt>Έξοδος</dt><dd><code>text</code></dd></div><div><dt>Παράθυρο συμφραζομένων</dt><dd>Δεν ορίζεται στον κατάλογο</dd></div><div><dt>Μέγ. μήκος απάντησης</dt><dd>Δεν ορίζεται στον κατάλογο</dd></div></dl><dl><div><dt>Είσοδος</dt><dd>0,0003 $ <em>/ 1K</em></dd></div><div><dt>Έξοδος</dt><dd>0,001 $ <em>/ 1K</em></dd></div><div><dt>Ανάγνωση από την κρυφή μνήμη</dt><dd>0,00004 $ <em>/ 1K</em></dd></div></dl></section>",
      "method_identity": {
        "effective_request_model_id": "nvidia/nemotron-3.5-super-vl",
        "fmt": "messages",
        "http": "POST",
        "path": "/v1/messages",
        "request_model_id": "nvidia/nemotron-3.5-super-vl",
        "route_label": "Ultra"
      },
      "method_key": "Ultra|messages|/v1/messages|nvidia%2Fnemotron-3.5-super-vl",
      "ordinal": 0,
      "rawMethod": {
        "cache_read": 0.04,
        "cache_write": null,
        "cache_write_1h": null,
        "cache_write_5m": null,
        "conditional_meter": null,
        "ctx": null,
        "family": "anthropic",
        "fast_multiplier": 1,
        "flex_multiplier": 1,
        "fmt": "messages",
        "http": "POST",
        "img_in": null,
        "img_out": null,
        "in": 0.3,
        "input": [
          "text"
        ],
        "label": "Anthropic Messages",
        "max_out": null,
        "max_tool_calls": null,
        "out": 1.0,
        "output": [
          "text"
        ],
        "path": "/v1/messages",
        "request_model_id": "nvidia/nemotron-3.5-super-vl",
        "route_label": "Ultra",
        "status_reads": [],
        "tiers": [],
        "tool_prices": null,
        "unit": "token",
        "units": []
      }
    },
    {
      "html": "<section class=\"meth\" data-route=\"Ultra\"><header><b><span class=\"alias\">Ultra</span> OpenAI Responses</b><code>POST /v1/responses</code></header><dl class=\"method-capabilities\" data-model-capabilities><div><dt>Είσοδος</dt><dd><code>text</code></dd></div><div><dt>Έξοδος</dt><dd><code>text</code></dd></div><div><dt>Παράθυρο συμφραζομένων</dt><dd>Δεν ορίζεται στον κατάλογο</dd></div><div><dt>Μέγ. μήκος απάντησης</dt><dd>Δεν ορίζεται στον κατάλογο</dd></div></dl><dl><div><dt>Είσοδος</dt><dd>0,0003 $ <em>/ 1K</em></dd></div><div><dt>Έξοδος</dt><dd>0,001 $ <em>/ 1K</em></dd></div><div><dt>Ανάγνωση από την κρυφή μνήμη</dt><dd>0,00004 $ <em>/ 1K</em></dd></div></dl></section>",
      "method_identity": {
        "effective_request_model_id": "nvidia/nemotron-3.5-super-vl",
        "fmt": "responses",
        "http": "POST",
        "path": "/v1/responses",
        "request_model_id": "nvidia/nemotron-3.5-super-vl",
        "route_label": "Ultra"
      },
      "method_key": "Ultra|responses|/v1/responses|nvidia%2Fnemotron-3.5-super-vl",
      "ordinal": 1,
      "rawMethod": {
        "cache_read": 0.04,
        "cache_write": null,
        "cache_write_1h": null,
        "cache_write_5m": null,
        "conditional_meter": null,
        "ctx": null,
        "family": "openai",
        "fast_multiplier": 1,
        "flex_multiplier": 1,
        "fmt": "responses",
        "http": "POST",
        "img_in": null,
        "img_out": null,
        "in": 0.3,
        "input": [
          "text"
        ],
        "label": "OpenAI Responses",
        "max_out": null,
        "max_tool_calls": null,
        "out": 1.0,
        "output": [
          "text"
        ],
        "path": "/v1/responses",
        "request_model_id": "nvidia/nemotron-3.5-super-vl",
        "route_label": "Ultra",
        "status_reads": [],
        "tiers": [],
        "tool_prices": null,
        "unit": "token",
        "units": []
      }
    },
    {
      "html": "<section class=\"meth\" data-route=\"Ultra\"><header><b><span class=\"alias\">Ultra</span> OpenAI Chat</b><code>POST /v1/chat/completions</code></header><dl class=\"method-capabilities\" data-model-capabilities><div><dt>Είσοδος</dt><dd><code>text</code></dd></div><div><dt>Έξοδος</dt><dd><code>text</code></dd></div><div><dt>Παράθυρο συμφραζομένων</dt><dd>Δεν ορίζεται στον κατάλογο</dd></div><div><dt>Μέγ. μήκος απάντησης</dt><dd>Δεν ορίζεται στον κατάλογο</dd></div></dl><dl><div><dt>Είσοδος</dt><dd>0,0003 $ <em>/ 1K</em></dd></div><div><dt>Έξοδος</dt><dd>0,001 $ <em>/ 1K</em></dd></div><div><dt>Ανάγνωση από την κρυφή μνήμη</dt><dd>0,00004 $ <em>/ 1K</em></dd></div></dl></section>",
      "method_identity": {
        "effective_request_model_id": "nvidia/nemotron-3.5-super-vl",
        "fmt": "chat",
        "http": "POST",
        "path": "/v1/chat/completions",
        "request_model_id": "nvidia/nemotron-3.5-super-vl",
        "route_label": "Ultra"
      },
      "method_key": "Ultra|chat|/v1/chat/completions|nvidia%2Fnemotron-3.5-super-vl",
      "ordinal": 2,
      "rawMethod": {
        "cache_read": 0.04,
        "cache_write": null,
        "cache_write_1h": null,
        "cache_write_5m": null,
        "conditional_meter": null,
        "ctx": null,
        "family": "openai",
        "fast_multiplier": 1,
        "flex_multiplier": 1,
        "fmt": "chat",
        "http": "POST",
        "img_in": null,
        "img_out": null,
        "in": 0.3,
        "input": [
          "text"
        ],
        "label": "OpenAI Chat",
        "max_out": null,
        "max_tool_calls": null,
        "out": 1.0,
        "output": [
          "text"
        ],
        "path": "/v1/chat/completions",
        "request_model_id": "nvidia/nemotron-3.5-super-vl",
        "route_label": "Ultra",
        "status_reads": [],
        "tiers": [],
        "tool_prices": null,
        "unit": "token",
        "units": []
      }
    },
    {
      "html": "<section class=\"meth\" data-route=\"Ultra\"><header><b><span class=\"alias\">Ultra</span> Gemini generateContent</b><code>POST /v1beta/models/nvidia/nemotron-3.5-super-vl:generateContent</code></header><dl class=\"method-capabilities\" data-model-capabilities><div><dt>Είσοδος</dt><dd><code>text</code></dd></div><div><dt>Έξοδος</dt><dd><code>text</code></dd></div><div><dt>Παράθυρο συμφραζομένων</dt><dd>Δεν ορίζεται στον κατάλογο</dd></div><div><dt>Μέγ. μήκος απάντησης</dt><dd>Δεν ορίζεται στον κατάλογο</dd></div></dl><dl><div><dt>Είσοδος</dt><dd>0,0003 $ <em>/ 1K</em></dd></div><div><dt>Έξοδος</dt><dd>0,001 $ <em>/ 1K</em></dd></div><div><dt>Ανάγνωση από την κρυφή μνήμη</dt><dd>0,00004 $ <em>/ 1K</em></dd></div></dl></section>",
      "method_identity": {
        "effective_request_model_id": "nvidia/nemotron-3.5-super-vl",
        "fmt": "gemini",
        "http": "POST",
        "path": "/v1beta/models/nvidia/nemotron-3.5-super-vl:generateContent",
        "request_model_id": "nvidia/nemotron-3.5-super-vl",
        "route_label": "Ultra"
      },
      "method_key": "Ultra|gemini|/v1beta/models/nvidia/nemotron-3.5-super-vl:generateContent|nvidia%2Fnemotron-3.5-super-vl",
      "ordinal": 3,
      "rawMethod": {
        "cache_read": 0.04,
        "cache_write": null,
        "cache_write_1h": null,
        "cache_write_5m": null,
        "conditional_meter": null,
        "ctx": null,
        "family": "gemini",
        "fast_multiplier": 1,
        "flex_multiplier": 1,
        "fmt": "gemini",
        "http": "POST",
        "img_in": null,
        "img_out": null,
        "in": 0.3,
        "input": [
          "text"
        ],
        "label": "Gemini generateContent",
        "max_out": null,
        "max_tool_calls": null,
        "out": 1.0,
        "output": [
          "text"
        ],
        "path": "/v1beta/models/nvidia/nemotron-3.5-super-vl:generateContent",
        "request_model_id": "nvidia/nemotron-3.5-super-vl",
        "route_label": "Ultra",
        "status_reads": [],
        "tiers": [],
        "tool_prices": null,
        "unit": "token",
        "units": []
      }
    }
  ],
  "model_id": "nvidia/nemotron-3.5-super-vl",
  "page": {
    "canonical": "https://ailoot.ai/models/el/nvidia-nemotron-3-5-super-vl/",
    "description": "Διάλογος κειμένου με μοντέλο της NVIDIA για συλλογισμό, εργασία με κώδικα και ανάλυση εκτενούς υλικού.",
    "locale": "el",
    "md_url": "https://ailoot.ai/models/el/nvidia-nemotron-3-5-super-vl/index.md",
    "title": "NVIDIA: Nemotron 3.5 Super VL",
    "url": "https://ailoot.ai/models/el/nvidia-nemotron-3-5-super-vl/"
  },
  "rawModel": {
    "about": "### Συλλογισμός, κώδικας και εργασία με μεγάλο κείμενο\n\nΤο Nemotron 3.5 Super VL είναι μοντέλο της NVIDIA για εργασίες που απαιτούν σύνδεση πολλών βημάτων συλλογισμού, κατανόηση κώδικα ή επεξεργασία εκτενούς υλικού. Στο Ailoot αυτή η κάρτα παρέχει διάλογο κειμένου: δίνετε οδηγίες, αρχικά δεδομένα και ιστορικό μηνυμάτων και το μοντέλο επιστρέφει απάντηση κειμένου.\n\nΜπορεί να χρησιμοποιηθεί για ανάλυση τεχνικής τεκμηρίωσης, σύγκριση απαιτήσεων, προετοιμασία επεξηγήσεων κώδικα και ανάλυση κειμενικών αναφορών. Στο αίτημα είναι πρακτικό να ορίσετε στόχο, να προσθέσετε το απαραίτητο υλικό και να προσδιορίσετε μορφή αποτελέσματος: για παράδειγμα συμπεράσματα με αιτιολόγηση, σχέδιο αλλαγής προγράμματος ή σύγκριση λύσεων.\n\n### Δομή και εξειδίκευση\n\nΤο αρχικό Super VL είναι οπτικό-γλωσσικό μοντέλο της NVIDIA με οπτικό κωδικοποιητή C-RADIO, σχεδιασμένο επίσης για κατανόηση εγγράφων και βίντεο. Σε αυτή την κάρτα του Ailoot διατίθεται η εργασία του με κείμενο· το αρχικό υλικό δίνεται ως κειμενικό περιεχόμενο.\n\nΗ βάση του μοντέλου συνδυάζει Mamba-2, Transformer και αρχιτεκτονική Mixture of Experts. Από περίπου 120 δισεκατομμύρια παραμέτρους ενεργοποιούνται περίπου 12 δισεκατομμύρια σε κάθε βήμα επεξεργασίας. Πρόκειται για τη δομή του μοντέλου, η οποία πρέπει να εξετάζεται χωριστά από την πραγματική ταχύτητα συγκεκριμένου αιτήματος.\n\nΣτην εκπαίδευση χρησιμοποιήθηκαν αποθετήρια λογισμικού, ζεύγη εργασιών και αλλαγών κώδικα, αρχεία καταγραφής μεταγλώττισης, διαδρομές επίλυσης πολλών βημάτων και υλικό μεγάλου πλαισίου. Η περαιτέρω εκπαίδευση συνδύασε κώδικα, συλλογισμό, οδηγίες και διάλογο. Αυτή η εξειδίκευση είναι χρήσιμη στη διατύπωση σύνθετης εργασίας όπου οι αρχικές πληροφορίες πρέπει πρώτα να συνδεθούν και έπειτα να παρουσιαστεί το αποτέλεσμα.\n\n### Πώς να προετοιμάσετε την εργασία\n\nΓια ανάλυση εγγράφου διατυπώστε πρώτα ερώτημα και κριτήρια επιλογής πληροφοριών και μετά προσθέστε το κείμενο με τίτλους ενοτήτων. Αν χρειάζεται σύγκριση πηγών, δώστε σύντομες ετικέτες και ζητήστε σύνδεση των συμπερασμάτων με αυτές. Για εργασία κώδικα προσθέστε το σχετικό απόσπασμα προγράμματος, την παρατηρούμενη συμπεριφορά και το αναμενόμενο αποτέλεσμα· έτσι η απάντηση συγκρίνεται με συγκεκριμένη περίπτωση.\n\nΤο μεγάλο παράθυρο πλαισίου βοηθά να τοποθετηθεί συνδεδεμένο υλικό σε ένα αίτημα. Ο όγκος του πλαισίου δεν αντικαθιστά τη σαφή διατύπωση: είναι χρήσιμο να χωρίζονται οι οδηγίες από τα αρχικά δεδομένα και να ορίζεται εκ των προτέρων ποια λύση ή ποιο έγγραφο θέλετε.\n\n### Πλαίσιο και τρόποι σύνδεσης\n\nΣτο Ailoot για αυτή την παραλλαγή αναφέρεται παράθυρο πλαισίου 262144 tokens. Ιστορικό διαλόγου, οδηγίες, αρχικό υλικό και απάντηση χρησιμοποιούν από κοινού αυτόν τον χώρο· σε μεγάλο αίτημα αφήστε χώρο για το αποτέλεσμα.\n\nΤο μοντέλο διατίθεται μέσω Chat Completions, Responses, Messages και διεπαφής κειμένου σε μορφή Gemini. Το διαθέσιμο σενάριο αυτής της παραλλαγής είναι κείμενο στην είσοδο και στην έξοδο· τα έγγραφα μεταδίδονται ως περιεχόμενο κειμένου.",
    "alias_of": null,
    "aliases": [],
    "author": "NVIDIA",
    "canonical_model": "nvidia/nemotron-3.5-super-vl",
    "ctx": null,
    "formats": [
      "chat",
      "gemini",
      "messages",
      "responses"
    ],
    "id": "nvidia/nemotron-3.5-super-vl",
    "input": [
      "text"
    ],
    "kind": "text",
    "max_out": null,
    "methods": [
      {
        "cache_read": 0.04,
        "cache_write": null,
        "cache_write_1h": null,
        "cache_write_5m": null,
        "conditional_meter": null,
        "ctx": null,
        "family": "anthropic",
        "fast_multiplier": 1,
        "flex_multiplier": 1,
        "fmt": "messages",
        "http": "POST",
        "img_in": null,
        "img_out": null,
        "in": 0.3,
        "input": [
          "text"
        ],
        "label": "Anthropic Messages",
        "max_out": null,
        "max_tool_calls": null,
        "out": 1.0,
        "output": [
          "text"
        ],
        "path": "/v1/messages",
        "request_model_id": "nvidia/nemotron-3.5-super-vl",
        "route_label": "Ultra",
        "status_reads": [],
        "tiers": [],
        "tool_prices": null,
        "unit": "token",
        "units": []
      },
      {
        "cache_read": 0.04,
        "cache_write": null,
        "cache_write_1h": null,
        "cache_write_5m": null,
        "conditional_meter": null,
        "ctx": null,
        "family": "openai",
        "fast_multiplier": 1,
        "flex_multiplier": 1,
        "fmt": "responses",
        "http": "POST",
        "img_in": null,
        "img_out": null,
        "in": 0.3,
        "input": [
          "text"
        ],
        "label": "OpenAI Responses",
        "max_out": null,
        "max_tool_calls": null,
        "out": 1.0,
        "output": [
          "text"
        ],
        "path": "/v1/responses",
        "request_model_id": "nvidia/nemotron-3.5-super-vl",
        "route_label": "Ultra",
        "status_reads": [],
        "tiers": [],
        "tool_prices": null,
        "unit": "token",
        "units": []
      },
      {
        "cache_read": 0.04,
        "cache_write": null,
        "cache_write_1h": null,
        "cache_write_5m": null,
        "conditional_meter": null,
        "ctx": null,
        "family": "openai",
        "fast_multiplier": 1,
        "flex_multiplier": 1,
        "fmt": "chat",
        "http": "POST",
        "img_in": null,
        "img_out": null,
        "in": 0.3,
        "input": [
          "text"
        ],
        "label": "OpenAI Chat",
        "max_out": null,
        "max_tool_calls": null,
        "out": 1.0,
        "output": [
          "text"
        ],
        "path": "/v1/chat/completions",
        "request_model_id": "nvidia/nemotron-3.5-super-vl",
        "route_label": "Ultra",
        "status_reads": [],
        "tiers": [],
        "tool_prices": null,
        "unit": "token",
        "units": []
      },
      {
        "cache_read": 0.04,
        "cache_write": null,
        "cache_write_1h": null,
        "cache_write_5m": null,
        "conditional_meter": null,
        "ctx": null,
        "family": "gemini",
        "fast_multiplier": 1,
        "flex_multiplier": 1,
        "fmt": "gemini",
        "http": "POST",
        "img_in": null,
        "img_out": null,
        "in": 0.3,
        "input": [
          "text"
        ],
        "label": "Gemini generateContent",
        "max_out": null,
        "max_tool_calls": null,
        "out": 1.0,
        "output": [
          "text"
        ],
        "path": "/v1beta/models/nvidia/nemotron-3.5-super-vl:generateContent",
        "request_model_id": "nvidia/nemotron-3.5-super-vl",
        "route_label": "Ultra",
        "status_reads": [],
        "tiers": [],
        "tool_prices": null,
        "unit": "token",
        "units": []
      }
    ],
    "model_aliases": [
      {
        "canonical_model_id": "nvidia/nemotron-3.5-super-vl",
        "request_model_id": "nvidia/nemotron-3.5-super-vl",
        "route_label": "Ultra"
      }
    ],
    "name": "NVIDIA: Nemotron 3.5 Super VL",
    "price": {
      "in": 0.3,
      "in_label": null,
      "out": 1.0,
      "out_label": null,
      "sort_in": 0.3,
      "sort_out": 1.0,
      "varies": false
    },
    "public_id": "nvidia/nemotron-3.5-super-vl",
    "short": "Διάλογος κειμένου με μοντέλο της NVIDIA για συλλογισμό, εργασία με κώδικα και ανάλυση εκτενούς υλικού."
  },
  "renderer_schema": {
    "method_order": "rawModel.methods-ordinal",
    "prices": "exact-native-DTO-units-and-selected-renderer-html"
  },
  "representation": "exact-public-dto-and-native-renderer-html",
  "schema": "ailoot-static-model-facts-v1",
  "schema_version": 1,
  "shortText": "Διάλογος κειμένου με μοντέλο της NVIDIA για συλλογισμό, εργασία με κώδικα και ανάλυση εκτενούς υλικού.",
  "source": {
    "audit_sha256": "529fd46513d2af2f2662bbf278f9cb326c7293eeef1f60ad4e6165ca2b22ee84",
    "bridge_map_sha256": "529fd46513d2af2f2662bbf278f9cb326c7293eeef1f60ad4e6165ca2b22ee84",
    "projection_audit": {
      "parent_manifest_sha256": "dfd3a7a4bc6f960e128026cae1f98f769d1503ffa1c6cf0ccf80066382dbbb9e",
      "raw_model_json_sha256": "d2b5b2fef00bdb001714546b07a1ee7357efdf4cb177c0f2e53414295b7011fb",
      "renderer_sha256": "0ee99ee7bef3eb09e4cbbc06f1a45e5a258de0a915ecd5e42ff39ff539da7a7f"
    },
    "projection_kind": "catalogue-refresh-native-dto-v1",
    "raw_model_json_sha256": "d2b5b2fef00bdb001714546b07a1ee7357efdf4cb177c0f2e53414295b7011fb",
    "renderer_sha256": "0ee99ee7bef3eb09e4cbbc06f1a45e5a258de0a915ecd5e42ff39ff539da7a7f"
  },
  "sourceRevision": "60429e9e527d1a6b1ac88735cb8a63db46dbdbee16f1619e277d9e4dc6f0c321"
}
