{
  "aboutHtml": "<h3>Raciocínio, código e trabalho com texto longo</h3><p>O Nemotron 3.5 Super VL é um modelo da NVIDIA para tarefas que exigem ligar vários passos de raciocínio, compreender código ou processar material extenso. Na Ailoot, esta ficha disponibiliza diálogo textual: fornece instruções, dados de partida e histórico de mensagens, e o modelo devolve uma resposta em texto.</p><p>Pode ser utilizado para analisar documentação técnica, comparar requisitos, preparar explicações de código e analisar relatórios textuais. É conveniente definir o objetivo, juntar os materiais necessários e estabelecer a forma do resultado: por exemplo, uma lista de conclusões fundamentadas, um plano de alteração de um programa ou uma comparação de várias soluções.</p><h3>Estrutura e especialização</h3><p>O Super VL original é um modelo de visão e linguagem da NVIDIA com codificador visual C-RADIO, também concebido para compreender documentos e vídeo. Nesta ficha da Ailoot está disponível o seu trabalho textual; os materiais de partida são fornecidos como conteúdo em texto.</p><p>A base do modelo combina Mamba-2, Transformer e uma arquitetura Mixture of Experts. De cerca de 120 mil milhões de parâmetros, aproximadamente 12 mil milhões são ativados em cada passo de processamento. Isto descreve a estrutura do modelo, que deve ser considerada separadamente da velocidade efetiva de um pedido concreto.</p><p>No treino foram utilizados repositórios de software, pares de tarefas e alterações de código, registos de compilação, trajetórias de resolução com vários passos e materiais de contexto longo. O treino posterior combinou código, raciocínio, instruções e diálogo. Esta especialização é útil na formulação de uma tarefa composta em que é necessário relacionar primeiro a informação de partida e depois estruturar o resultado.</p><h3>Como preparar a tarefa</h3><p>Para analisar um documento, formule primeiro a pergunta e os critérios de seleção da informação e junte depois o texto com os títulos das secções. Se precisar de comparar fontes, atribua-lhes etiquetas curtas e peça que as conclusões sejam ligadas a essas etiquetas. Para uma tarefa de código, acrescente o excerto relevante do programa, o comportamento observado e o resultado esperado; assim, a resposta pode ser comparada com um caso concreto.</p><p>Uma janela de contexto ampla ajuda a reunir materiais relacionados num único pedido. A dimensão do contexto não substitui uma formulação clara: é útil separar as instruções dos dados de partida e indicar antecipadamente a solução ou o documento pretendido.</p><h3>Contexto e formas de ligação</h3><p>Para esta variante, a Ailoot indica uma janela de contexto de 262144 tokens. O histórico da conversa, as instruções, os materiais de partida e a resposta partilham esse espaço; ao preparar um pedido extenso, deixe lugar para o resultado.</p><p>O modelo está disponível através de Chat Completions, Responses, Messages e de uma interface textual em formato Gemini. O cenário disponível desta variante consiste em texto à entrada e texto à saída; os documentos são fornecidos como conteúdo textual.</p>",
  "aboutText": "### Raciocínio, código e trabalho com texto longo\n\nO Nemotron 3.5 Super VL é um modelo da NVIDIA para tarefas que exigem ligar vários passos de raciocínio, compreender código ou processar material extenso. Na Ailoot, esta ficha disponibiliza diálogo textual: fornece instruções, dados de partida e histórico de mensagens, e o modelo devolve uma resposta em texto.\n\nPode ser utilizado para analisar documentação técnica, comparar requisitos, preparar explicações de código e analisar relatórios textuais. É conveniente definir o objetivo, juntar os materiais necessários e estabelecer a forma do resultado: por exemplo, uma lista de conclusões fundamentadas, um plano de alteração de um programa ou uma comparação de várias soluções.\n\n### Estrutura e especialização\n\nO Super VL original é um modelo de visão e linguagem da NVIDIA com codificador visual C-RADIO, também concebido para compreender documentos e vídeo. Nesta ficha da Ailoot está disponível o seu trabalho textual; os materiais de partida são fornecidos como conteúdo em texto.\n\nA base do modelo combina Mamba-2, Transformer e uma arquitetura Mixture of Experts. De cerca de 120 mil milhões de parâmetros, aproximadamente 12 mil milhões são ativados em cada passo de processamento. Isto descreve a estrutura do modelo, que deve ser considerada separadamente da velocidade efetiva de um pedido concreto.\n\nNo treino foram utilizados repositórios de software, pares de tarefas e alterações de código, registos de compilação, trajetórias de resolução com vários passos e materiais de contexto longo. O treino posterior combinou código, raciocínio, instruções e diálogo. Esta especialização é útil na formulação de uma tarefa composta em que é necessário relacionar primeiro a informação de partida e depois estruturar o resultado.\n\n### Como preparar a tarefa\n\nPara analisar um documento, formule primeiro a pergunta e os critérios de seleção da informação e junte depois o texto com os títulos das secções. Se precisar de comparar fontes, atribua-lhes etiquetas curtas e peça que as conclusões sejam ligadas a essas etiquetas. Para uma tarefa de código, acrescente o excerto relevante do programa, o comportamento observado e o resultado esperado; assim, a resposta pode ser comparada com um caso concreto.\n\nUma janela de contexto ampla ajuda a reunir materiais relacionados num único pedido. A dimensão do contexto não substitui uma formulação clara: é útil separar as instruções dos dados de partida e indicar antecipadamente a solução ou o documento pretendido.\n\n### Contexto e formas de ligação\n\nPara esta variante, a Ailoot indica uma janela de contexto de 262144 tokens. O histórico da conversa, as instruções, os materiais de partida e a resposta partilham esse espaço; ao preparar um pedido extenso, deixe lugar para o resultado.\n\nO modelo está disponível através de Chat Completions, Responses, Messages e de uma interface textual em formato Gemini. O cenário disponível desta variante consiste em texto à entrada e texto à saída; os documentos são fornecidos como conteúdo textual.",
  "locale": "pt-pt",
  "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>Entrada</dt><dd><code>text</code></dd></div><div><dt>Saída</dt><dd><code>text</code></dd></div><div><dt>Contexto</dt><dd>Não especificado no catálogo</dd></div><div><dt>Resposta máx.</dt><dd>Não especificado no catálogo</dd></div></dl><dl><div><dt>Entrada</dt><dd>0,0003 US$ <em>/ 1K</em></dd></div><div><dt>Saída</dt><dd>0,001 US$ <em>/ 1K</em></dd></div><div><dt>Leitura da cache</dt><dd>0,00004 US$ <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>Entrada</dt><dd><code>text</code></dd></div><div><dt>Saída</dt><dd><code>text</code></dd></div><div><dt>Contexto</dt><dd>Não especificado no catálogo</dd></div><div><dt>Resposta máx.</dt><dd>Não especificado no catálogo</dd></div></dl><dl><div><dt>Entrada</dt><dd>0,0003 US$ <em>/ 1K</em></dd></div><div><dt>Saída</dt><dd>0,001 US$ <em>/ 1K</em></dd></div><div><dt>Leitura da cache</dt><dd>0,00004 US$ <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>Entrada</dt><dd><code>text</code></dd></div><div><dt>Saída</dt><dd><code>text</code></dd></div><div><dt>Contexto</dt><dd>Não especificado no catálogo</dd></div><div><dt>Resposta máx.</dt><dd>Não especificado no catálogo</dd></div></dl><dl><div><dt>Entrada</dt><dd>0,0003 US$ <em>/ 1K</em></dd></div><div><dt>Saída</dt><dd>0,001 US$ <em>/ 1K</em></dd></div><div><dt>Leitura da cache</dt><dd>0,00004 US$ <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>Entrada</dt><dd><code>text</code></dd></div><div><dt>Saída</dt><dd><code>text</code></dd></div><div><dt>Contexto</dt><dd>Não especificado no catálogo</dd></div><div><dt>Resposta máx.</dt><dd>Não especificado no catálogo</dd></div></dl><dl><div><dt>Entrada</dt><dd>0,0003 US$ <em>/ 1K</em></dd></div><div><dt>Saída</dt><dd>0,001 US$ <em>/ 1K</em></dd></div><div><dt>Leitura da cache</dt><dd>0,00004 US$ <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/pt-pt/nvidia-nemotron-3-5-super-vl/",
    "description": "Diálogo textual com um modelo da NVIDIA para raciocínio, trabalho com código e análise de materiais extensos.",
    "locale": "pt-pt",
    "md_url": "https://ailoot.ai/models/pt-pt/nvidia-nemotron-3-5-super-vl/index.md",
    "title": "NVIDIA: Nemotron 3.5 Super VL",
    "url": "https://ailoot.ai/models/pt-pt/nvidia-nemotron-3-5-super-vl/"
  },
  "rawModel": {
    "about": "### Raciocínio, código e trabalho com texto longo\n\nO Nemotron 3.5 Super VL é um modelo da NVIDIA para tarefas que exigem ligar vários passos de raciocínio, compreender código ou processar material extenso. Na Ailoot, esta ficha disponibiliza diálogo textual: fornece instruções, dados de partida e histórico de mensagens, e o modelo devolve uma resposta em texto.\n\nPode ser utilizado para analisar documentação técnica, comparar requisitos, preparar explicações de código e analisar relatórios textuais. É conveniente definir o objetivo, juntar os materiais necessários e estabelecer a forma do resultado: por exemplo, uma lista de conclusões fundamentadas, um plano de alteração de um programa ou uma comparação de várias soluções.\n\n### Estrutura e especialização\n\nO Super VL original é um modelo de visão e linguagem da NVIDIA com codificador visual C-RADIO, também concebido para compreender documentos e vídeo. Nesta ficha da Ailoot está disponível o seu trabalho textual; os materiais de partida são fornecidos como conteúdo em texto.\n\nA base do modelo combina Mamba-2, Transformer e uma arquitetura Mixture of Experts. De cerca de 120 mil milhões de parâmetros, aproximadamente 12 mil milhões são ativados em cada passo de processamento. Isto descreve a estrutura do modelo, que deve ser considerada separadamente da velocidade efetiva de um pedido concreto.\n\nNo treino foram utilizados repositórios de software, pares de tarefas e alterações de código, registos de compilação, trajetórias de resolução com vários passos e materiais de contexto longo. O treino posterior combinou código, raciocínio, instruções e diálogo. Esta especialização é útil na formulação de uma tarefa composta em que é necessário relacionar primeiro a informação de partida e depois estruturar o resultado.\n\n### Como preparar a tarefa\n\nPara analisar um documento, formule primeiro a pergunta e os critérios de seleção da informação e junte depois o texto com os títulos das secções. Se precisar de comparar fontes, atribua-lhes etiquetas curtas e peça que as conclusões sejam ligadas a essas etiquetas. Para uma tarefa de código, acrescente o excerto relevante do programa, o comportamento observado e o resultado esperado; assim, a resposta pode ser comparada com um caso concreto.\n\nUma janela de contexto ampla ajuda a reunir materiais relacionados num único pedido. A dimensão do contexto não substitui uma formulação clara: é útil separar as instruções dos dados de partida e indicar antecipadamente a solução ou o documento pretendido.\n\n### Contexto e formas de ligação\n\nPara esta variante, a Ailoot indica uma janela de contexto de 262144 tokens. O histórico da conversa, as instruções, os materiais de partida e a resposta partilham esse espaço; ao preparar um pedido extenso, deixe lugar para o resultado.\n\nO modelo está disponível através de Chat Completions, Responses, Messages e de uma interface textual em formato Gemini. O cenário disponível desta variante consiste em texto à entrada e texto à saída; os documentos são fornecidos como conteúdo textual.",
    "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": "Diálogo textual com um modelo da NVIDIA para raciocínio, trabalho com código e análise de materiais extensos."
  },
  "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": "Diálogo textual com um modelo da NVIDIA para raciocínio, trabalho com código e análise de materiais extensos.",
  "source": {
    "audit_sha256": "b98e1fbd5b763b6e5cc50c633f755b1d7281a7175726258ea047f5236ced2aa5",
    "bridge_map_sha256": "b98e1fbd5b763b6e5cc50c633f755b1d7281a7175726258ea047f5236ced2aa5",
    "projection_audit": {
      "parent_manifest_sha256": "dfd3a7a4bc6f960e128026cae1f98f769d1503ffa1c6cf0ccf80066382dbbb9e",
      "raw_model_json_sha256": "d188793588b2dac6d4a860154c2e0d14ce2222c5e89fba1ee036c81cf37eb18a",
      "renderer_sha256": "a51d1049537a8e6d630c46edca5d01c7894c25c33ee7aba532b4ef956b0c04e9"
    },
    "projection_kind": "catalogue-refresh-native-dto-v1",
    "raw_model_json_sha256": "d188793588b2dac6d4a860154c2e0d14ce2222c5e89fba1ee036c81cf37eb18a",
    "renderer_sha256": "a51d1049537a8e6d630c46edca5d01c7894c25c33ee7aba532b4ef956b0c04e9"
  },
  "sourceRevision": "9917bd84f6ef426c0814bf4042e5839bf81fd78a06ec6e475dd79981bca55cd5"
}
