Nemotron Nano 12B 2 VL

用量与规格

Nemotron Nano 12B 2 VL 是什么

NVIDIA Nemotron Nano 2 VL 是一款拥有 120 亿参数的开源多模态推理模型，专为视频理解与文档智能设计。该模型采用创新的混合 Transformer-Mamba 架构，将 Transformer 级别的精度与 Mamba 的内存高效序列建模相结合，显著提升吞吐量并降低延迟。 模型支持文本及多图像文档输入，可生成自然语言输出。其训练数据基于 NVIDIA 精心筛选的高质量合成数据集，针对光学字符识别、图表推理及多模态理解进行了优化。 Nemotron Nano 2 VL 在 OCRBench v2 上取得领先成绩，并在 MMMU、MathVista、AI2D、OCRBench、OCR-Reasoning、ChartQA、DocVQA 及 Video-MME 等基准测试中平均得分约 74 分，超越此前开源视觉语言基线模型。借助高效视频采样技术，该模型能够处理长视频内容，同时降低推理成本。 模型权重、训练数据及微调方案均以宽松的 NVIDIA 开源许可协议发布，并支持在 NeMo、NIM 及主流推理运行时环境中部署。

Nemotron Nano 12B 2 VL 的能力

输入：图像、文本、视频   输出：文本

Nemotron Nano 12B 2 VL 的 API 定价

显示快照中的美元刊例，未独立核验；购买前请到服务商官网核对当前价格与条款。