Nemotron 3.5 Super VL är en NVIDIA-modell för uppgifter där flera resonemangssteg ska kopplas samman, programkod förstås eller omfattande material bearbetas. I Ailoot API erbjuder det här modellkortet textdialog: du anger instruktioner, underlag och meddelandehistorik, och modellen returnerar ett textsvar.
Den kan användas för analys av teknisk dokumentation, jämförelse av krav, kodförklaringar och analys av textrapporter. Ange gärna mål, nödvändiga material och resultatformat i begäran, till exempel en lista över slutsatser med motiveringar, en plan för en programändring eller en jämförelse av flera lösningar.
Den ursprungliga Super VL är NVIDIAs visuella språkmodell med bildkodaren C-RADIO, även avsedd för dokument- och videoförståelse. Det här modellkortet i Ailoot API ger tillgång till textbearbetning; underlagen skickas som textinnehåll.
Modellens grund kombinerar Mamba-2, Transformer och Mixture of Experts-arkitektur. Av cirka 120 miljarder parametrar aktiveras ungefär 12 miljarder i varje bearbetningssteg. Detta beskriver modellens uppbyggnad och bör hållas isär från den faktiska hastigheten för en viss begäran.
Träningen omfattade kodförråd, par av uppgifter och kodändringar, byggloggar, lösningsförlopp i flera steg och material för lång kontext. Vidareträningen förenade kodarbete, resonemang, instruktioner och dialog. Specialiseringen är användbar för sammansatta uppgifter där uppgifterna i underlaget först behöver kopplas samman och resultatet sedan utformas.
För dokumentanalys formulerar du först frågan och kriterierna för informationsurvalet och bifogar sedan texten med avsnittsrubriker. Om källor ska jämföras, ge dem korta etiketter och be om att slutsatser kopplas till dessa. För koduppgifter lägger du till relevant kodavsnitt, observerat beteende och önskat resultat, så att svaret kan jämföras med det konkreta fallet.
Det stora kontextfönstret gör det möjligt att samla relaterade material i en begäran. Kontextens storlek ersätter inte en tydlig uppgiftsbeskrivning: skilj gärna instruktioner från underlag och ange i förväg vilken lösning eller vilket dokument du vill få.
I Ailoot API anges ett fönster på 1000000 token och en svarsgräns på upp till 131072 token för den här varianten. Konversationshistorik, instruktioner, underlag och svar använder samma kontext; lämna plats för resultatet när du förbereder en lång begäran.
Modellen är tillgänglig via Chat Completions, Responses och Messages. Det tillgängliga arbetsflödet för den här varianten är text som indata och text som utdata; dokument skickas som textinnehåll.
", "aboutText": "### Resonemang, kod och långa texter\n\nNemotron 3.5 Super VL är en NVIDIA-modell för uppgifter där flera resonemangssteg ska kopplas samman, programkod förstås eller omfattande material bearbetas. I Ailoot API erbjuder det här modellkortet textdialog: du anger instruktioner, underlag och meddelandehistorik, och modellen returnerar ett textsvar.\n\nDen kan användas för analys av teknisk dokumentation, jämförelse av krav, kodförklaringar och analys av textrapporter. Ange gärna mål, nödvändiga material och resultatformat i begäran, till exempel en lista över slutsatser med motiveringar, en plan för en programändring eller en jämförelse av flera lösningar.\n\n### Uppbyggnad och specialisering\n\nDen ursprungliga Super VL är NVIDIAs visuella språkmodell med bildkodaren C-RADIO, även avsedd för dokument- och videoförståelse. Det här modellkortet i Ailoot API ger tillgång till textbearbetning; underlagen skickas som textinnehåll.\n\nModellens grund kombinerar Mamba-2, Transformer och Mixture of Experts-arkitektur. Av cirka 120 miljarder parametrar aktiveras ungefär 12 miljarder i varje bearbetningssteg. Detta beskriver modellens uppbyggnad och bör hållas isär från den faktiska hastigheten för en viss begäran.\n\nTräningen omfattade kodförråd, par av uppgifter och kodändringar, byggloggar, lösningsförlopp i flera steg och material för lång kontext. Vidareträningen förenade kodarbete, resonemang, instruktioner och dialog. Specialiseringen är användbar för sammansatta uppgifter där uppgifterna i underlaget först behöver kopplas samman och resultatet sedan utformas.\n\n### Så förbereder du uppgiften\n\nFör dokumentanalys formulerar du först frågan och kriterierna för informationsurvalet och bifogar sedan texten med avsnittsrubriker. Om källor ska jämföras, ge dem korta etiketter och be om att slutsatser kopplas till dessa. För koduppgifter lägger du till relevant kodavsnitt, observerat beteende och önskat resultat, så att svaret kan jämföras med det konkreta fallet.\n\nDet stora kontextfönstret gör det möjligt att samla relaterade material i en begäran. Kontextens storlek ersätter inte en tydlig uppgiftsbeskrivning: skilj gärna instruktioner från underlag och ange i förväg vilken lösning eller vilket dokument du vill få.\n\n### Kontext och anslutningssätt\n\nI Ailoot API anges ett fönster på 1000000 token och en svarsgräns på upp till 131072 token för den här varianten. Konversationshistorik, instruktioner, underlag och svar använder samma kontext; lämna plats för resultatet när du förbereder en lång begäran.\n\nModellen är tillgänglig via Chat Completions, Responses och Messages. Det tillgängliga arbetsflödet för den här varianten är text som indata och text som utdata; dokument skickas som textinnehåll.", "locale": "sv", "methods": [ { "html": "POST /v1/messagestexttextPOST /v1/responsestexttextPOST /v1/chat/completionstexttext