NVIDIA Nemotron 3 Nano Omni — nowy model multimodalny do dokumentów, audio i wideo

NVIDIA ogłosiła Nemotron 3 Nano Omni — nowy model multimodalny zaprojektowany do analizy dokumentów, rozpoznawania mowy oraz rozumienia długich nagrań audio i wideo. Model stanowi rozszerzenie linii Nemotron o możliwości przetwarzania tekstu, obrazów, wideo i dźwięku w jednym systemie. Szczegóły techniczne i wyniki benchmarków zostały opublikowane w oficjalnym raporcie na platformie Hugging Face.

Kluczowe wnioski

• Nemotron 3 Nano Omni osiąga najlepsze wyniki w benchmarkach rozumienia dokumentów, zajmując pierwsze miejsca w MMlongbench-Doc (57.5 punktów) i OCRBenchV2 (65.8 punktów).
• Model oferuje 9-krotnie wyższą przepustowość i 2.9-krotnie szybsze przetwarzanie w porównaniu do alternatywnych rozwiązań multimodalnych.
• System obsługuje dokumenty liczące ponad 100 stron oraz długie nagrania audio-wideo z narracją i różnorodnymi źrółami dźwięku.
• Architektura łączy hybrydowy backbone Mamba-Transformer z koderami C-RADIOv4-H (wizja) i Parakeet-TDT-0.6B-v2 (audio).
• Model przewyższa konkurencyjny Qwen3-Omni w większości testowanych kategorii, szczególnie w analizie GUI i rozumieniu wideo.

Zastosowania w praktyce

Nemotron 3 Nano Omni został zaprojektowany z myślą o pięciu głównych obszarach zastosowań. Pierwszym jest analiza rzeczywistych dokumentów — model radzi sobie z długimi, złożonymi dokumentami zawierającymi tabele, formuły, strukturę sekcji i odwołania między stronami. Może to być wykorzystane przy przetwarzaniu umów, dokumentów technicznych, raportów czy formularzy compliance.

Drugim obszarem jest automatyczne rozpoznawanie mowy (ASR), gdzie model osiąga wynik 5.95 w benchmarku HF Open ASR, przewyższając Qwen3-Omni (6.55). System radzi sobie z długimi nagraniami, różnymi akcentami i głosami na tle szumów.

Trzecim zastosowaniem jest rozumienie długich materiałów audio-wideo, szczególnie istotne dla nagrań ekranu z narracją, filmów szkoleniowych, spotkań z prezentacjami czy archiwów wideo. W benchmarku WorldSense model osiąga 55.4 punktów, a w DailyOmni — 74.1 punktów.

Wydajność i architektura

Model wykorzystuje zunifikowaną architekturę encoder-projector-decoder opartą na backbone'ie Nemotron 3 Nano 30B-A3B. Kodery specyficzne dla modalności łączą się z modelem językowym przez lekkie projektory, co pozwala na zachowanie szczegółów wizualnych i skalowanie do bardzo długich kontekstów multimodalnych.

W testach wydajności Nemotron 3 Nano Omni oferuje 7.4-krotnie wyższą efektywność systemową dla przypadków użycia z wieloma dokumentami i 9.2-krotnie wyższą efektywność dla materiałów wideo. W benchmarku VoiceBench osiąga 89.4 punktów, przewyższając Qwen3-Omni (88.8).

Model został przeszkolony przy użyciu etapowego wyrównania multimodalnego i rozszerzenia kontekstu, po którym zastosowano optymalizację preferencji i multimodalne uczenie przez wzmacnianie. Checkpointy w formatach BF16, FP8 i NVFP4 są dostępne na platformie Hugging Face.

Nemotron 3 Nano Omni stanowi znaczący krok naprzód w rozwoju modeli multimodalnych, oferując praktyczne rozwiązania dla przedsiębiorstw wymagających zaawansowanej analizy różnorodnych typów danych w jednym systemie.