Η NVIDIA παρουσίασε το Nemotron 3 Nano Omni, ένα ανοιχτό multimodal μοντέλο με 9x throughput για AI agents νέας γενιάς.
Το NVIDIA Nemotron 3 Nano Omni είναι ένα νέο ανοιχτό multimodal μοντέλο που ενοποιεί εικόνα, ήχο, βίντεο και κείμενο σε μία αρχιτεκτονική.
Προσφέρει έως 9 φορές μεγαλύτερο throughput από αντίστοιχα ανοιχτά μοντέλα και κατακτά την κορυφή σε έξι benchmarks.
Η διάθεση γίνεται μέσω Hugging Face, OpenRouter και build.nvidia.com.
Σε πιο σύνθετα agentic συστήματα, το Nemotron 3 Nano Omni μπορεί να λειτουργεί παράλληλα με το Nemotron 3 Super για εκτέλεση υψηλής συχνότητας και με το Nemotron 3 Ultra για πιο σύνθετο σχεδιασμό. Συνεργάζεται επίσης με μοντέλα τρίτων κατασκευαστών, λειτουργώντας ως sub-agent αντίληψης μέσα σε μεγαλύτερα pipelines. Σύμφωνα με την NVIDIA, η οικογένεια Nemotron 3 — Nano, Super και Ultra — έχει συγκεντρώσει πάνω από 50 εκατομμύρια downloads τον τελευταίο χρόνο. Με την έκδοση Omni, η οικογένεια επεκτείνεται σε multimodal και agentic περιπτώσεις χρήσης.
Το μοντέλο διατίθεται με open weights, μαζί με τα datasets και τις τεχνικές εκπαίδευσης. Είναι ήδη διαθέσιμο μέσω Hugging Face, OpenRouter και του build.nvidia.com ως microservice NVIDIA NIM, καθώς και μέσω 25 και πλέον συνεργαζόμενων πλατφόρμων. Οι developers μπορούν να το προσαρμώσουν με εργαλεία όπως το NVIDIA NeMo, ενώ η ανάπτυξη γίνεται από τοπικά συστήματα NVIDIA Jetson, DGX Spark και DGX Station έως data center και cloud περιβάλλοντα.
Ανάμεσα στις εταιρείες που υιοθετούν ήδη το Nemotron 3 Nano Omni είναι οι Aible, Applied Scientific Intelligence, Eka Care, Foxconn, H Company, Palantir και Pyler. Σε φάση αξιολόγισης βρίσκονται οι Dell Technologies, Docusign, Infosys, K-Dense, Lila, Oracle και Zefr.
Η ενοποίηση εικόνας, ήχου και κειμένου σε ένα μοντέλο φαίνεται απλή ιδέα, αλλά είναι αυτή που θα κρίνει αν τα AI agents θα γίνουν τελικά πρακτικά εργαλεία για καθημερινή χρήση ή θα μείνουν εντυπωσιακά demos. Όσο πιο γρήγορα και αξιόπιστα «καταλαβαίνει» ένας agent τι βλέπει στην οθόνη και τι ακούει, τόσο πιο χρήσιμος γίνεται για κάποιον που θέλει να αυτοματοποιήσει εργασίες γραφείου, υποστήριξης ή ανάλυσης εγγράφων. Το ότι το μοντέλο διατίθεται ανοιχτό αλλάζει επίσης την εικόνα για όσους θέλουν να φτιάξουν δικές τους λύσεις χωρίς εξάρτηση από κλειστά cloud APIs.
Είναι ένα ανοιχτό multimodal μοντέλο που χειρίζεται κείμενο, εικόνες, ήχο, βίντεο, έγγραφα και γραφικά περιβάλλοντα μέσα σε μία ενιαία αρχιτεκτονική 30B-A3B hybrid MoE.
Αντικαθιστά τα ξεχωριστά μοντέλα για όραση, ομιλία και κείμενο με ένα ενιαίο, μειώνοντας τη χρονοκαθυστέρηση και αυξάνοντας έως 9 φορές το throughput.
Είναι διαθέσιμο σε Hugging Face, OpenRouter και build.nvidia.com ως NVIDIA NIM microservice, καθώς και σε πάνω από 25 συνεργαζόμενες πλατφόρμες.
Σε computer use agents, document intelligence και κατανόηση ήχου και βίντεο για υποστήριξη πελατών, ανάλυση εγγράφων και monitoring.
Ναι, διατίθεται με open weights, datasets και τεχνικές εκπαίδευσης, επιτρέποντας πλήρη προσαρμογή και τοπική ανάπτυξη μέσω εργαλείων όπως το NVIDIA NeMo.
Με την εγγραφή σας αποδέχεστε την Πολιτική Απορρήτου.
Το iOS 27 φέρνει τρία νέα AI εργαλεία επεξεργασίας στο Photos: Extend, Enhance και Reframe. Δείτε πώς θα αλλάξουν τις φωτογραφίες στο iPhone.
Η Xiaomi κυκλοφόρησε το HyperOS Developer Preview βασισμένο σε Android 17 Beta 2 για Xiaomi 17, 17 Ultra και 17 Ultra Leica Edition.
Το Google Translate κλείνει 20 χρόνια με 250 γλώσσες, 1 δισ. χρήστες τον μήνα και λανσάρει νέο AI εργαλείο εξάσκησης προφοράς στο Android.
Η Apple κυκλοφόρησε το iOS 26.5 Beta 4 για developers με βελτιώσεις, αλλαγή στην περιγραφή RCS και νέα Pride wallpapers σε λίγες εβδομάδες.
A project by Κώστας Βλαχάκης
Σχόλια